基于ACP-TransUNet的脑脊柱角内声神经瘤的准确细分算法
Zhuo Zhang1, Xiaochen Zhang2, Yong Yang3
1Tianjin Key Laboratory of Optoelectronic Detection Technology and Systems, School of Electronic and Information Engineering, Tiangong University, Tianjin, China.
Frontiers in neuroscience
|June 9, 2023
概括
这项研究引入了一种人工智能模型,用于MRI扫描上的精确声学神经瘤细分,从而改善手术规划. 基于变压器的方法实现了高精度,优于现有技术,为更好的患者结果提供了更好的效果.
科学领域:
- 神经外科 神经外科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 声神经瘤是一种常见的大脑角瘤,会导致听力损失等症状.
- 在MRI上精确细分这些瘤对于手术规划至关重要,但耗时且主观.
- 现有的方法与不规则的瘤形状和复杂的解剖位置作斗争.
研究的目的:
- 使用MRI开发一种用于声神经瘤的自动化和准确的细分方法.
- 通过改进瘤划界,提高手术精度和患者康复.
- 解决手动细分和现有的自动化技术的局限性.
主要方法:
- 提出了一个基于TransUNet模型的自动化细分方法.
- 集成的空心空间金字塔聚合 (ASPP) 用于更大的受体场,以捕捉不规则的形状.
- 集成的道和像素注意力机制,在特征加权的 up-sampling.
- 在300个听力神经瘤患者的MRI扫描上训练并验证了该模型.
主要成果:
- 提出的方法实现了高细分精度,Dice得分为95.74%,Hausdorff 95度量为1.9476毫米.
- 废弃性研究证实了拟议成分的有效性和合理性.
- 超越了经典模型 (UNet,PSPNet等) 的性能. 和最先进的模型 (Swin-Unet,TransUNet等等). ) 的情况.
结论:
- 开发的基于变压器的方法在自动声学神经瘤细分方面取得了重大进展.
- ASPP和注意力机制的整合增强了模型处理复杂瘤形态的能力.
- 这种自动化方法为神经外科医生提供了可靠和高效的工具,有可能改善治疗结果.
