对2D,2.5D和3D细分网络进行比较,用于CBCT图像中的上鼻和病变
Yeon-Sun Yoo1, DaEl Kim2, Su Yang3
1Department of Oral and Maxillofacial Radiology and Dental Research Institute, School of Dentistry, Seoul National University, Seoul, Korea.
BMC oral health
|November 14, 2023
概括
在梁CT图像中,2.5D网络在对 sinus (MS) 和病变 (MSL) 的细分方面表现优于2D和3D网络. 这种方法使用集体学习,为医疗图像细分提供了卓越的性能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 在束CT (CBCT) 成像中,对腔鼻 (MS) 和病变 (MSL) 的准确细分至关重要.
- 在MSL大小,形状和位置的变化带来细分挑战.
- 在内存限制下评估不同的网络维度 (2D,2.5D,3D) 对于临床应用至关重要.
研究的目的:
- 在CBCT图像中对MS和MSL的2D,2.5D和3D网络的细分性能进行比较.
- 在相同的内存容量限制下评估网络性能.
- 为了确定最优的网络架构来细分复杂的MS和MSL功能.
主要方法:
- 在CBCT图像中对MS和MSL的2D,2.5D和3D网络细分进行全面比较.
- 通过从MS预测中减去大鼻腔 (MSA) 的预测空气区域来实现MSL细分.
- 评估指标包括雅卡尔系数,子相似系数,精度和回忆.
主要成果:
- 与2D和3D网络相比,2.5D网络对MS和MSA都表现出优异的细分性能.
- 2.5D U-net++网络实现了高性能指标:雅卡德指数 (0.947为MS,0.787为MSL),子系数 (0.973为MS,0.875为MSL),精度 (0.974为MS,0.897为MSL) 和回忆 (0.971为MS,0.858为MSL).
- 组合学习方法结合了来自三个直角平面的预测,提高了2.5D网络性能.
结论:
- 2.5D细分网络在细分各种MSL方面表现出卓越的性能.
- 通过结合直角平面的预测,集体学习进一步提高了2.5D方法的准确性.
- 这项研究强调了2.5D网络在牙科和放射学中用于精确医疗图像细分的潜力.
