相关实验视频
Updated: Jul 26, 2025
09:11
Use of MRI-ultrasound Fusion to Achieve Targeted Prostate Biopsy
Published on: April 9, 2019
21.6K
弱监督的体积前列腺注册MRI-TRUS图像由签名的距离地图驱动
Menglin Wu1, Xuchen He1, Fan Li1
1School of Computer Science and Technology, Nanjing Tech University, Nanjing, China.
Computers in biology and medicine
|June 15, 2023
概括
这项研究引入了一种新的深度学习方法,用于在前列腺活检中对准MRI和TRUS图像. 该方法使用签名的距离地图来提高准确性并保护前列腺内部结构.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 图像注册对于MRI-TRUS融合向活检至关重要.
- 基于强度的损失由于模式差异而表现不佳.
- 器官细分提供较弱的相似度,而签名距离地图 (SDM) 捕获更丰富的形状和边界信息.
研究的目的:
- 提出一个弱监督的深度学习体积注册方法,使用分段和SDM的混合损失.
- 加强对异常值的稳定性,并鼓励在MRI-TRUS注册中实现最佳的全球对齐.
- 为了提高针对性前列腺活检的图像注册的准确性.
主要方法:
- 开发了一个弱监督的深度学习方法,用于体积图像注册.
- 采用混合损失函数,包括器官细分和相应的标记距离地图 (SDM).
- 利用SDM来利用更高维的形状和边界信息,防止训练期间消失的梯度.
主要成果:
- 在公开的前列腺MRI-TRUS数据集上,拟议的方法实现了87.3 ± 11.3的子相似系数 (DSC),4.56 ± 1.95毫米的豪斯多夫距离 (HD) 和0.053 ± 0.026毫米的平均表面距离 (MSD).
- 在注册准确性方面,超越了现有的低监督注册方法.
- 在注册后证明有效地保护前列腺的内部结构.
结论:
- 结合SDM的混合损失显著改善了MRI-TRUS融合的弱监督体积记录.
- 该方法为针对性前列腺活检提供了强大而准确的解决方案,增强了诊断能力.
- 这种方法解决了传统的基于强度的方法和仅基于细分的方法的局限性.
