两个阶段的多任务深度学习框架,用于从CT图像中同时进行盆骨细分和地标检测
Haoyu Zhai1, Zhonghua Chen2, Lei Li3
1School of Biomedical Engineering, Faculty of Medicine, Dalian University of Technology, Dalian, 116024, China.
概括
这项研究引入了一种两阶段的算法,该算法增强了盆骨细分和CT扫描中的里程碑检测,提高了患病病例的准确性. 这种方法提供了精确的解剖界限,对于全关节整形术的规划至关重要.
科学领域:
- 医疗成像医学成像
- 计算机辅助手术 计算机辅助手术
- 整形外科手术 整形外科手术
背景情况:
- 精确的盆骨细分和里程碑识别对于在全关节整形手术中进行术前规划至关重要.
- 患病的盆腔解剖学往往会损害标准细分和检测方法的精度,可能导致手术并发症.
研究的目的:
- 开发和验证一种新的两阶段,多任务算法,以改善盆骨细分和地标检测.
- 为了提高准确性,特别是在患有疾病的骨盆解剖病例中,解决当前临床实践中的关键局限性.
主要方法:
- 一个粗细的,两阶段的框架,采用多任务学习来同时进行细分和地标检测.
- 第一个阶段使用双重任务网络进行全球分析,然后在第二阶段使用边缘增强的双重任务网络进行本地精细化和边界划分.
主要成果:
- 该算法在骨盆结构方面获得了高的子相似系数 (DSC) 评分 (例如,左/右部为0.97),平均基准误差为3.24毫米.
- 第二阶段显著提高了对现有方法的acetabular边界细分精度5.42%,超过了最先进的方法.
- 整个细分和检测工作流程大约在10秒内完成,证明了计算效率.
结论:
- 拟议的多任务,粗到细的策略显著提高了盆骨细分和里程碑检测的准确性,特别是在患病的部图像.
- 这一进步有助于更精确,更快速地进行手术前规划,以设计和植入骨杯假体.
