MBD-Net:多分支扩展卷积网络与囊区分器用于脏多结构分割

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 从计算机断层扫描血管造影 (CTA) 中精确的三维 (3D) 分析对于基于手术的癌治疗至关重要.
• 现有的方法在精确细分复杂的脏结构 (如瘤和囊) 方面可能面临挑战.

研究的目的:

• 提出一个端到端的深度学习框架,用于从CTA图像中自动分割多个脏结构.
• 开发一种能够高效准确地提取特征的新型网络架构,用于脏结构识别.
• 创建一个区分器模块,可以在不需要手动标签的情况下区分瘤和囊.

主要方法:

• 开发了一个编码解码卷积神经网络 (CNN) 框架,称为多分支扩展卷积网络 (MBD-Net).
• MBD-Net 结合了残余,混合扩展卷积和缩小尺寸卷积结构,以减少参数来增强特征提取.
• 一个囊分辨器模块被设计用于使用灰度曲线和放射特征来区分瘤和囊.

主要成果:

• 该框架在MICCAI 2022 KiPA2022数据集上实现了高细分精度.
• 平均子相似系数 (DSC) 为脏96.18%,脏瘤90.99%,动脉88.66%,静脉80.35%.
• 该方法在挑战中表现出稳定和最高的表现.

结论:

• 提出的基于CNN的框架有效地自动化了从CTA图像中对3D脏,瘤,动脉和静脉的细分.
• 这种自动化细分有助于脏分析,为基于手术的癌治疗提供了显著的好处.
• 该方法在改善瘤学的术前规划和外科手术结果方面表现有前途.