一种基于统计变形模型的数据增强方法,用于体积医学图像分割
Wenfeng He1, Chulong Zhang2, Jingjing Dai2
1Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen, 518055, China; School of Computer Science and Engineering, South China University of Technology, Guangzhou 510006, China.
Medical image analysis
|October 14, 2023
概括
一个新的统计变形模型增强了用于放射治疗计划的医疗图像细分. 这种方法提高了风险器官划分的准确性,即使患者数据有限.
科学领域:
- 辐射疗法 辐射疗法
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 精确划分有风险的器官 (OAR) 对于放射治疗计划至关重要,以尽量减少对健康组织的损伤.
- 在CT图像中手动OAR轮是耗时的,容易出错的,对于低对比度组织来说具有挑战性.
- 深度学习方法需要大量的注释数据集,这些数据集很难和昂贵地获取.
研究的目的:
- 引入基于统计变形模型的数据增强方法,用于体积医学图像细分.
- 为了提高放射治疗中自动化OAR细分的准确性和效率.
- 为了应对有限的注释医学成像数据的挑战.
主要方法:
- 开发了一个统计变形模型,用于体积医学图像细分中的现实数据增强.
- 从有限的患者队列中对CT图像进行了多样化和现实的增强.
- 评估了OAR分类在头部,部,胸部和腹部数据集的框架.
主要成果:
- 拟议的方法显著改善了全自动OAR在各种身体部位的细分.
- 在众多OAR细分挑战中实现了最先进的性能.
- 在有限的数据集上证明了数据增强技术的有效性.
结论:
- 基于统计变形模型的增强有效地提高了医疗图像细分性能.
- 这种方法克服了传统增强技术的局限性,通过产生更现实的变形.
- 该方法显示了改善放射治疗治疗计划和其他医学成像子领域的显著潜力,这些子领域面临着数据稀缺.
