使用PixelMiner对医疗图像进行精确的切片插值,以获得纹理
W Rogers1, S A Keek1, M Beuque1
1The D-Lab, Department of Precision Medicine, GROW - School for Oncology and Developmental Biology, Maastricht University, Maastricht, the Netherlands.
Computers in biology and medicine
|May 27, 2023
概括
新的深度学习模型PixelMiner通过插曲切片来提高纹理精度来增强计算机断层扫描 (CT) 成像. 这种方法优于传统技术,保留了更好的医疗图像分析的关键特征.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 定量图像分析模型对于医疗成像任务如细分至关重要.
- 这些模型的准确预测取决于准确和有效的成像数据.
- 医学成像切片的插入对于提高数据分辨率和质量至关重要.
研究的目的:
- 介绍PixelMiner,一种基于卷积的新型深度学习模型,用于插曲计算机断层扫描 (CT) 图像片.
- 为了实现纹理精确的切片插入,优先考虑纹理忠实性而不是像素级准确性.
- 评估PixelMiner的性能与已建立的插值方法相比.
主要方法:
- 开发了PixelMiner,这是一个深度学习模型,利用卷积来进行CT切片插值.
- 在7829个CT扫描的大数据集上训练PixelMiner,并通过外部数据集进行验证.
- 将PixelMiner与 (三) 线性, (三) 立方体,窗式 sinc (WS) 和最近邻 (NN) 的插值方法进行比较.
主要成果:
- 与所有其他方法相比,PixelMiner显示出明显较低的平均纹理误差 (NRMSE为0.11,p < .01).
- 该模型实现了显著更高的可重现性 (CCC ≥0.85,p <.01).
- PixelMiner 提高了插曲切片的细分精度,通过一项废除研究验证了这一点.
结论:
- 像素Miner有效地产生纹理精确的CT切片插入,优于传统方法.
- 该模型保留了重要的图像特征,提高了定量图像分析的可靠性.
- 像素Miner提供了一个有价值的工具,用于改进依赖插入数据的医疗成像任务.
