通过结合双向卷积LSTM和U-Net使用多切片CT和MRI进行大脑图像细分,对大脑体进行细分
Kelvin K L Wong1, Wanni Xu2, Muhammad Ayoub3
1School of Information and Electronics, Hunan City University, Yiyang 413000, China.
Computer methods and programs in biomedicine
|May 27, 2023
概括
这项研究引入了一种使用双向卷积LSTM (BDC-LSTM) 的自动化方法,用于大脑成像中精确的体细分,改善多发性脑梗塞等疾病的诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经学 神经学
背景情况:
- 传统的疾病诊断依赖于医生,冒着误诊的风险.
- 精确细分体对于理解诸如多发性脑梗塞等疾病至关重要.
- 体细分的关键挑战包括自动化,完整性和准确性.
研究的目的:
- 开发一种自动化和准确的方法,从脑图像中对体进行细分.
- 探索先进的深度学习技术在医学图像分析中的实用性.
- 解决目前神经疾病诊断方法的局限性.
主要方法:
- 提出了一种结合双向卷积LSTM (BDC-LSTM) 和U-Net架构的新型细分方法.
- 该方法处理来自CT和MRI (T2加权,Flair序列) 的多角度脑图像.
- 使用不对称的卷积层和扩展卷积来捕获多切片信息并扩展受体场.
主要成果:
- 该BDC-LSTM方法在细分体中取得了高准确率.
- 具体指标包括交叉在欧盟 (IOU) 在0.876,子相似性 (DS) 在0.881,敏感性 (SE) 在0.887,和预测积极性值 (PPV) 在0.912.
- 与现有方法相比,拟议的算法表现出优越的性能.
结论:
- 在经过测试的模型 (ConvLSTM,Pyramid-LSTM) 中,BDC-LSTM被证明是体细分的最佳方法.
- 改进的卷积神经网络细分方法提高了准确性,并解决了医疗图像中的过分细分问题.
- 这种方法促进了神经疾病在3D医学成像中更快,更精确的检测.
