在胸部CT扫描中基于深度学习的全自动肺膜细分和边界校正.
Himanshu Rikhari1, Esha Baidya Kayal1, Shuvadeep Ganguly2
1Centre for Biomedical Engineering, Indian Institute of Technology Delhi, New Delhi, India.
International journal of computer assisted radiology and surgery
|August 18, 2023
概括
这项研究开发了一种深度学习算法,用于CT扫描中精确的肺膜细分,通过纠正错误的阳性和阴性来提高准确性. 该方法对计算机辅助诊断系统有很大的希望.
科学领域:
- 医疗成像医学成像
- 计算机辅助诊断 计算机辅助诊断
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 精确的肺膜细分对于诊断呼吸系统疾病至关重要.
- 现有的方法可能会与旁多结节和细分不准确性作斗争.
研究的目的:
- 为胸部CT扫描开发精确的肺膜细分算法.
- 将深度学习与传统的图像处理相结合,以改善细分.
- 纠正细分错误,包括错误的阳性和阴性.
主要方法:
- 训练了一个改进的2D U-Net卷积神经网络 (CNN) 与Inception-ResNet-v2骨干.
- 该模型在32个CT扫描中接受了训练,并在16个扫描中进行了评价,其中包括旁多结节.
- 实施后处理算法来完善肺口罩,并包括旁多结节.
主要成果:
- 在CNN模型实现了高性能指标 (DSCavg: 0.9791, IoUavg: 0.9624, F1avg: 0.9792).
- 后处理进一步细化细分 (DSCavg: 0.9713, IoUavg: 0.9486, F1avg: 0.9701). 在这些细分中,
- 在后处理中,成功地将副肺结节纳入最终的肺口罩中.
结论:
- 拟议的基于CNN的方法实现了精确的肺膜细分.
- 后处理算法有效地解决了细分错误.
- 这种方法有可能在CAD系统中推进自动化结节检测.
