计算机断层扫描图像的平面不变细分通过加权交叉优化条件GANs在压缩格式的压缩格式

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 计算机断层扫描 (CT) 扫描对于医学诊断至关重要.
• 深度神经网络 (DNN) 通过细分和标签来增强图像分析.
• 精确的CT图像细分对于精确的疾病识别至关重要.

研究的目的:

• 实施和评估Pix2Pix生成对抗网络 (GANs) 用于CT扫描图像的平面不变细分.
• 提出一个有效的条件GAN,具有加权的二进制交叉损失函数和图像处理,用于高质量的细分.
• 评估拟议的GAN在脊椎脊椎数据集上的性能.

主要方法:

• 实现了两个Pix2Pix GAN变体,具有不同的生成器和区分器复杂性.
• 开发一个有条件的GAN,其中包含一个编码器-解码器网络和一个图像处理层.
• 将GAN应用于脊椎脊椎的CT扫描图像进行细分.
• 使用准确度,F-1分数和贾卡德指数指标进行评估.

主要成果:

• 条件GAN在脊椎脊椎数据集上实现了平均准确率为86.28%,雅卡德指数为90.5%,F-1得分为89.9%.
• 证明了对验证图像的细分质量和连续性的改进.
• 网络架构显示了扩展到整个Hounsfield单元范围和智能手机实现的潜力.

结论:

• 拟议的条件GAN有效地增强了CT扫描图像的细分.
• 该方法为脊椎脊椎细分提供了准确可靠的结果.
• 开发的网络为医疗图像分析提供了一个有前途的工具,可以适应更广泛的应用.