医疗图像中的轮感知细分的双重一致性损失

科学领域:

• 医疗成像医学成像
• 深度学习 (Deep Learning) 是一种深度学习.
• 计算机视觉 计算机视觉

背景情况:

• 医学图像细分对于诊断,治疗计划和手术至关重要.
• 传统的卷积神经网络 (CNN) 在精确的边界划分方面扎,导致非平滑的细分.

研究的目的:

• 提出U形CNN架构,用于生成像素分段和概率轮图.
• 为了提高医疗图像分割的准确性,特别是在对象边界.

主要方法:

• 开发了一个U形CNN架构,可以同时输出细分和轮图.
• 引入了双重一致性损失函数,以在训练期间强制执行细分和轮输出之间的连贯性.
• 该方法在左心室的3D心脏超声波图像的公共数据集上得到了验证.

主要成果:

• 提出的方法在细分心脏结构方面表现良好.
• 该网络成功生成了可靠的细分,并改进了边界划分.
• 双重一致性损失有效地引导网络学习相关的细分和轮任务.

结论:

• 具有双重一致性损失的新型U形CNN增强了最先进的医疗图像细分.
• 该方法显示了在计算机辅助诊断中临床应用的潜力,特别是用于心脏成像.