通过在医学图像中自动检测错误的表面区域来评估细分质量
Fahim Ahmed Zaman1, Lichun Zhang1, Honghai Zhang1
1Department of Electrical and Computer Engineering, The University of Iowa, Iowa City, IA 52242, USA.
Computers in biology and medicine
|August 17, 2023
概括
这项研究引入了一个深度学习框架,可以自动检测3D医学图像细分中的错误,提高临床试验中的诊断准确性和效率,而不需要地面真相数据.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 深度学习在语义细分方面表现出色,但由于复杂的结构和有限的注释数据,它在3D医疗图像方面扎.
- 准确的细分对于诊断和定量分析至关重要,但当前的方法经常失败,需要在没有基本真相的情况下进行质量评估.
研究的目的:
- 开发一个深度学习框架,用于3D医学图像细分的自动化质量控制.
- 准确地定位分割对象的边界表面上的错误区域,以评估细分质量.
主要方法:
- 使用卷积神经网络 (CNN) 来学习边界特定的图像特征,以识别特定位置的细分不准确性.
- 该框架在3D膝盖MRI (骨关节炎倡议) 和3D小腿肌肉MRI数据集上进行了评估.
主要成果:
- 该方法在检测错误的表面区域方面实现了高平均灵敏度 (0.95为膝盖,0.92为小牛) 和正预测值 (0.78为膝盖,0.91为小牛).
- 在通过错误区域检测进行自动化细分质量评估方面表现有希望.
结论:
- 拟议的深度学习框架有效地识别了3D医学图像细分中的错误区域.
- 这种自动化质量评估可促进高效的交互式图像细分,并支持临床试验图像分析.
