补丁式3D细分质量评估,将重建和回归网络结合起来
Fahim Ahmed Zaman1, Tarun Kanti Roy2, Milan Sonka1
1University of Iowa, Department of Electrical and Computer Engineering, Iowa City, Iowa, United States.
Journal of medical imaging (Bellingham, Wash.)
|September 11, 2023
概括
这项研究引入了一个深度学习框架,用于检测3D医学图像细分中的不准确性,而不需要地面真相数据. 该方法准确地识别出错误的细分区域,有助于疾病诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 基于深度学习 (DL) 的语义细分方法通常因复杂的结构和有限的基准真相数据而与3D医疗图像扎.
- 准确的细分质量对于局部疾病区域至关重要,而不仅仅是全球平均值,以有效诊断.
研究的目的:
- 开发一个DL框架,用于预测分段质量和识别3D医疗图像中的不准确区域,而不需要地面真相.
- 通过使可靠的细分质量评估,解决快速诊断的需要.
主要方法:
- 提出了一个框架,结合了3D生成对抗网络 (GAN) 和卷积回归网络.
- 条件GAN重建了被细分结果掩盖的输入图像,回归网络根据细分预测了基于补丁的子相似系数 (DSC).
- 该方法利用了细分衍生的特征,消除了推理过程中对基本真相的需求.
主要成果:
- 该方法在3D膝盖MRI和肺CT数据集上进行了评估.
- 补丁智能的DSC预测实现了膝盖MR的0.01和肺CT的0.04的平均绝对误差.
- 该框架成功地局部化了细分不准确性.
结论:
- 拟议的DL框架有效地识别了3D医学图像中错误的细分区域.
- 这种能力可以显著帮助下游疾病诊断和预后预测.
- 该方法为医疗图像细分中的质量控制提供了有希望的方法.
