使用语义分段网络和不偏见的热图进行头骨和面部骨分割和地标检测

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 手术规划 手术规划

背景情况:

• 准确的手术前规划对于上面 (CMF) 手术至关重要.
• 在CMF区域自动化骨结构生成和地标数字化是具有挑战性的,因为复杂的解剖附件.

研究的目的:

• 开发一个自动化框架来对CMF骨进行细分,并检测关键的解剖标志.
• 通过深度学习技术,提高CMF手术前规划的准确性和效率.

主要方法:

• 一个语义细分网络被用来细分关键的CMF骨 (大,下,腹肌,腹肌,额头骨).
• 一个自上而下的热图地标检测网络被用来识别18个CMF地标.
• 提出了一个无偏热图编码方法和医疗地标 (DCRML) 的分布前坐标表示,以提高地标定位的准确性.

主要成果:

• 细分网络实现了超过88%的平均子得分,下细分的准确性达到约95%.
• 里程碑检测达到1.84 ±1.32毫米的平均误差.
• 该框架在100名健康个人和86名患者的多中心数据中显示出强大的性能.

结论:

• 拟议的AI框架显著提高了CMF骨细分和地标检测的准确性.
• 这种自动化方法为增强CMF手术前规划提供了一种有价值的工具,可能会带来更好的外科结果.
• 新的编码和解码方法可以适应现有的基于热图的地标检测框架.