乳腺组织的多类语义细分从MRI图像使用U-Net基于哈尔波束聚合的U-Net

科学领域:

• 生物医学成像技术 生物医学成像技术
• 医学图像分析 医学图像分析
• 计算生物学 计算生物学

背景情况:

• 乳腺核磁共振扫描,通常在仰卧姿势中获得,不能准确地代表直立姿势中的自然乳房形状.
• 使用有限元分析的先前方法与异质乳腺组织弹性作斗争,限制了准确的形状重建.
• 准确的乳房形状重建对于各种应用至关重要,包括手术规划和假肢设计.

研究的目的:

• 开发和验证一种多类语义细分方法,用于精确的乳腺组织分类.
• 使用分割的MRI数据,在站立的位置重建自然的乳房形状.
• 通过解决不同组织弹性模块的挑战,提高乳房形状建模的准确性.

主要方法:

• 一个数据集被策划和注释,包括皮肤,脂肪,纤维腺组织和背部MRI扫描的背景标签.
• 采用U-Net架构结合Haar波段聚合,用于乳腺组织的多类语义细分.
• 哈尔波束聚合方便了有效的特征提取,并减少了网络子采样阶段的信息丢失.

主要成果:

• 拟议的U-Net模型在乳腺组织细分方面实现了87.48%的平均欧盟交叉点 (mIOU).
• 该网络表现出强大的性能和适应过度装配的弹性.
• 通过各种弹性模块实现了乳腺组织的高精度细分,从而实现了可靠的形状重建.

结论:

• 开发的基于U-Net的多类语义细分方法准确地细分了乳腺组织,即使具有不同的弹性特性.
• 这种方法可以从仰卧式MRI数据中重建自然乳房形状.
• 这些发现为需要精确乳房形态建模的应用提供了有希望的进展.