CT图像的多类组织细分使用集体深度学习方法

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:

• 微波除 (MWA) 疗法使用CT图像来破坏肺瘤.
• 由于不充分的切除而导致瘤复发,需要精确确定瘤区域.
• 目前的深度学习细分方法需要大量的数据集,这对MWA疗法构成了挑战.

研究的目的:

• 开发一个语义细分方法,用于在MWA治疗期间在CT图像中准确的器官和瘤细分.
• 克服MWA瘤细分的深度学习中小数据集的局限性.
• 通过准确识别瘤边界,提高肺癌治疗的精度.

主要方法:

• 开发了四个基于U-Net的语义细分模型.
• 来自多个模型的结合输出,以提高细分精度.
• 通过选择最终细分的最高权重值,利用共识方法.
• 使用交叉与联盟 (IoU) 进行背景,肺部,切除和瘤组织的评估性能.

主要成果:

• 获得高平均IOU分数:0.99 (背景),0.98 (肺),0.77 (消去) 和0.54 (瘤).
• 与单个模型相比,多模型方法的表现优越,特别是在小数据集的情况下.
• 在CT医学图像中成功细分肺部,肺瘤和切除的组织.

结论:

• 拟议的多模型深度学习方法提高了MWA治疗的语义细分精度.
• 这种方法即使在医学成像数据有限的情况下也有效,解决了临床实践中的一个关键挑战.
• 改进的人工智能驱动的细分可以帮助临床医生评估完全的瘤破坏,可能降低复发率.