扫描:基于序列的上下文意识的协会网络,用于肝血管细分
Yinghong Zhou1, Yu Zheng1, Yinfeng Tian1
1School of Information Engineering, Guangdong University of Technology, Guangzhou, China.
Medical & biological engineering & computing
|November 30, 2023
概括
一种新的深度学习方法,即基于序列的上下文感知关联网络 (SCAN),准确地对肝脏血管进行细分,用于肝脏手术规划. 这种方法改进了现有的准确手术前外科设计框架.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 手术规划 手术规划
背景情况:
- 肝血管的准确细分对于肝脏手术中有效的手术前规划至关重要.
- 现有的方法可能在CT扫描中难以捕捉复杂的血管结构和切片间的相关性.
研究的目的:
- 开发一个先进的深度学习网络,用于精确的肝血管细分.
- 通过改善血管细分,提高肝脏手术术前手术规划的准确性.
主要方法:
- 设计了一个基于序列的上下文感知关联网络 (SCAN),结合2D特征提取和切片间相关性捕获.
- 实现了切片级注意力和图形关联模块,以弥合特征差距.
- 一个区域边缘受约束损失函数,结合交叉,子和边缘受约束损失,被用于优化.
主要成果:
- 与现有的深度学习框架相比,拟议的SCAN实现了更高的性能.
- 关键性能指标包括0.845的子相似系数 (DSC),0.856的精度,0.866的灵敏度和0.861.86的F1得分.
结论:
- 该SCAN网络显示,对于精确的肝血管细分有很大的潜力.
- 这种方法为改善肝脏外科手术中手术前规划提供了有价值的工具.
