使用Pix2pix与U-Net相比,胎盘血管细分使用Pix2pix
Anouk van der Schot1, Esther Sikkel1, Marèll Niekolaas1
1Obstetrics & Gynecology, Radboud University Medical Center, 6525 GA Nijmegen, The Netherlands.
Journal of imaging
|October 27, 2023
概括
条件生成对抗网络 (cGAN) 在胎儿镜像中改善了胎盘血管细分,表现优于U-Net. 这一进步提高了计算机辅助手术的精度,但需要进一步研究以实现概括性.
科学领域:
- 医疗成像医学成像
- 计算机辅助手术 计算机辅助手术
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 胎镜激光手术依赖于精确的胎盘血管细分.
- 目前的细分方法在程序内和程序间表现出显著的变化.
- 解决这种变化对于改善外科手术结果至关重要.
研究的目的:
- 为了比较条件生成对抗网络 (cGAN) 与胎盘血管细分在胎儿镜像中的U-Net模型的性能.
- 为了评估 pix2pix cGAN 模型对于这个特定应用的有效性.
- 评估深度学习在计算机辅助胎儿镜外科手术中降低细分变异性的潜力.
主要方法:
- 训练并评估了两个深度学习模型:U-Net和pix2pix (cGAN).
- 利用公开可用的数据集和内部验证集进行全面测试.
- 使用 Dice 和 Intersection over Union (IoU) 评分量化比较细分性能.
主要成果:
- 在公开数据集上,pix2pix模型在U-Net上表现优越 (Dice:0.80与0.75,IoU:0.70与0.66).
- 内部验证证实了pix2pix的优势 (Dice:0.68与0.53,IoU:0.59与0.49).
- 这两个指标都显示了cGAN方法的统计学显著改善 (p < 0.01).
结论:
- 与U-Net相比,条件生成对抗网络,特别是pix2pix,在胎盘图像中提供了较好的胎盘血管细分.
- 基于cGAN的方法在提高计算机辅助胎儿镜外科手术的精度方面表现有前途.
- 需要进一步的研究,以解决这些模型在各种手术场景中的通用性.
