TBENet:一个双分支边界增强网络用于脑血管细分

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 数字减去血管学 (DSA) 中的大脑血管细分对于临床诊断至关重要.
• 由于大脑血管结构的复杂性,自动细分具有挑战性.

研究的目的:

• 提出一个基于双分支边界增强网络 (TBENet) 的新型卷积神经网络 (CNN).
• 为了在DSA图像中实现准确的自动脑血管细分.

主要方法:

• TBENet使用的是以U-Net为灵感的编码器-解码器架构.
• 开发了额外的边界分支以及主和边界分支融合模块 (MBFM),以加强细分.
• 该模型在HMCDSA数据集和公共DRIVE数据集上进行了评估.

主要成果:

• 在HMCDSA数据集上,TBENet实现了高性能,精度为0.9611),F1得分为0.7486,敏感度为0.7152,特异性为0.9860和AUC为0.9556.
• 该网络在DRIVE数据集上展示了可通用性,表明其对各种船舶细分任务的潜力.

结论:

• TBENet提供了一个强大的解决方案,用于在DSA图像中的自动脑血管细分.
• 拟议的MBFM有效地整合了边界信息,以提高细分精度.
• 该模型的适应性表明在医学图像分析中具有更广泛的应用.