相关实验视频
Updated: Jul 27, 2025
05:33
Three-Dimensional Shape Modeling and Analysis of Brain Structures
Published on: November 14, 2019
7.1K
ST-V-Net:将前形状纳入卷积神经网络,用于近端大腿骨细分
Chen Zhao1, Joyce H Keyak2, Jinshan Tang1,3
1Department of Applied Computing, Michigan Technological University, 1400 Townsend Dr, Houghton, MI 49931 USA.
Complex & intelligent systems
|June 12, 2023
概括
我们开发了一种深度学习方法,用于在定量计算机断层扫描 (QCT) 图像中自动对近端大腿骨进行细分. 与现有方法相比,空间转换V-Net (ST-V-Net) 显著提高了细分精度,并减少了错误.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 在定量计算断层扫描 (QCT) 中精确细分近端股骨对于骨健康评估至关重要.
- 目前的细分方法可能缺乏精度和效率,需要先进的自动化方法.
研究的目的:
- 开发和评估一种基于深度学习的方法,用于在QCT图像中自动对近端股骨进行细分.
- 通过整合形状先验和多阶段培训策略来提高细分性能.
主要方法:
- 提出了一个空间转换V-Net (ST-V-Net),将V-Net与空间转换网络 (STN) 集成在一起.
- 在STN中使用一个先前的形状来指导和约束训练期间的细分网络.
- 采用多阶段培训策略来微调ST-V-Net模型.
- 在397名受试者的QCT数据集上进行了实验,使用十倍分层交叉验证.
主要成果:
- 在整个队列中,ST-V-Net实现了0.9888的子相似系数 (DSC),0.9966的灵敏度和0.9988的特异性.
- 与V-Net.相比,Hausdorff距离从9.144毫米减少到5.917毫米,平均表面距离从0.012毫米减少到0.009毫米.
- 在男性和女性受试者之间分别表现出色的表现.
结论:
- 拟议的ST-V-Net提供了一种高度准确和高效的方法,用于在QCT中自动对近端股骨进行细分.
- 将形状先验纳入深度学习细分模型是提高性能的一个有希望的方法.
- 这种方法具有很大的潜力,可以在骨图像学中推进定量分析.
