超声波脂肪图像的基于深度学习的细分用于脂肪吸取
Ruxin Cai1, Yanzhen Liu1, Zhibin Sun1
1Beihang University, School of Biological Science and Medical Engineering, Beijing, China.
概括
一个新的深度学习模型准确地细分脂肪超声波图像,以提高脂肪吸附安全性. 这种自动化系统帮助外科医生,特别是新手,实时控制管.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 手术技术 手术技术
背景情况:
- 开发自动化和可靠的超声波视觉系统对于机器人和计算机辅助抽脂至关重要.
- 目前正在探索深度学习方法,用于在临床和教育环境中对脂肪超声波图像进行细分.
研究的目的:
- 开发用于脂肪超声波图像分割的自动和可靠的深度学习系统.
- 为了提高机器人或计算机辅助抽脂程序的安全性和精度.
主要方法:
- 提出了一个Attention Skip-Convolutions ResU-Net (Attention SCResU-Net),其中包含了剩余块和注意力门.
- 利用转移学习来解决临床数据可用性的局限性.
- 在巴马猪和临床人类脂肪超声波图像数据集上训练并验证了模型.
主要成果:
- 在临床数据集上获得了99.06%±0.95%的高子得分和0.19mm±0.18mm的平均表面距离 (ASD).
- 与现有方法相比,表现出优越的性能.
- 微调最深的八层产生了准确和稳定的细分结果.
结论:
- 开发的深度学习方法使脂肪超声波图像的准确实时细分成为可能.
- 这一进步显著提高了吸脂安全性.
- 该系统使新手外科医生在手术过程中能够加强管控制.
