在医疗图像中利用全球二进制面具进行结构细分
Mahdieh Kazemimoghadam1, Zi Yang1, Mingli Chen1
1Department of Radiation Oncology, the University of Texas Southwestern Medical Center, Dallas TX 75390 United States of America.
Physics in medicine and biology
|August 22, 2023
概括
本研究引入了一个深度学习框架,使用全球二进制面具进行医疗图像细分,提高强度变化的稳定性并处理有限的训练数据. 该方法有效地利用解剖位置和形状信息来准确地分离器官.
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:
- 医疗图像细分的深度学习 (DL) 模型与强度变化作斗争,需要广泛的训练数据.
- 现有的模型通常仅依赖于像素强度,限制了概括性和稳定性.
研究的目的:
- 开发一种用于医疗图像中的器官细分的新框架,利用解剖位置和形状信息.
- 提高DL模型对图像强度变化的稳定性,并减轻与有限的训练数据相关的挑战.
主要方法:
- 提出了一个使用全球二进制面具编码用于器官细分的重复解剖模式的框架.
- 评估了两个场景: (1) U-Net模型仅在全球二进制面具上进行训练, (2) 全球二进制面具作为额外的输入通道.
- 利用大脑和心脏计算机断层扫描 (CT) 数据集,用完整和减少的训练数据子集评估性能.
主要成果:
- 场景 (1) 实现了 0.77 ± 0.06 (大脑) 和 0.85 ± 0.04 (心脏) 的子得分,平均欧几里德距离分别为 3.12 ± 1.43 mm 和 2.5 ± 0.93 mm.
- 与仅使用CT图像的模型相比,在有限的数据上训练时,场景 (2) 显著提高了准确性 (4.3%-125.3%用于大脑,1.3%-48.1%用于心脏).
- 全球二进制面具有效地编码了解剖位置和形状信息.
结论:
- 拟议的框架展示了利用全球二进制面具来实现强大的医疗图像细分的潜力.
- 通过全球二进制面具将解剖学模式纳入是提高DL模型性能的有效策略,特别是在稀缺的标记训练数据的情况下.
- 这种方法为开发更具普遍性和数据效率的医疗图像细分模型提供了有希望的解决方案.
