基于变压器的双阶段上下文卷积神经网络,用于从CT图像中提取气道
Yanan Wu1, Shuiqing Zhao2, Shouliang Qi3
1College of Medicine and Biological Information Engineering, Northeastern University, Shenyang, China; Key Laboratory of Intelligent Computing in Medical Image, Ministry of Education, Northeastern University, Shenyang, China; Department of Electronic Engineering, The Chinese University of Hong Kong, Hong Kong, China.
Artificial intelligence in medicine
|September 6, 2023
概括
这项研究引入了一个新的AI框架,用于CT扫描中细分肺气道,提高慢性阻塞性肺病 (COPD) 评估和导航支气管镜计划的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 肺部医学 肺部医学
背景情况:
- 在计算机断层扫描 (CT) 中精确的呼吸道细分对于诊断和管理慢性阻塞性肺病 (COPD) 以及规划导航支气管镜术至关重要.
- 目前的细分方法与小的气道分支和有限的数据作斗争,阻碍了临床应用.
研究的目的:
- 开发一个先进的AI框架,用于CT图像中精确的气道细分,重点关注整体气道和小分支.
- 增强COPD的定量评估,并改进像导航支气管镜术这样的最小侵入性手术的规划.
主要方法:
- 一个新的两阶段框架,使用修改后的3D U-Net与集成的3D上下文变压器块进行增强的特征提取.
- 该框架捕获了上下文和远程信息,采用两阶段的培训过程来细分整体气道,然后专注于小的肺内分支.
主要成果:
- 与现有方法相比,拟议的方法显著提高了气道细分性能,提取了更多的气道分支和更长的气道树长度.
- 在内部和公共数据集上展示了最先进的结果,通过广泛的定量和定性分析来验证.
结论:
- 新的AI框架为CT图像的气道细分提供了显著的进步,特别是在小型分支机构.
- 这种改进的细分能力有望为更准确的COPD评估和增强的导航支气管镜规划提供希望.
