基于阿特拉斯的前列腺区域的语义细分
Jiazhen Zhang1, Rajesh Venkataraman2, Lawrence H Staib1,3,4
1Department of Radiology & Biomedical Imaging, Yale University, New Haven, CT, USA.
Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention
|December 12, 2023
概括
这项研究引入了一种深度学习方法,用于在MRI扫描中对前列腺区域进行细分. 整合一个解剖图谱显著提高了确定中央腺和外围区域的准确性.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 在MRI中精确细分前列腺解剖区域对于前列腺癌的评估至关重要.
- 区分中央腺体 (CG) 和外围区域 (PZ) 具有重要的临床意义.
研究的目的:
- 开发和验证一个深度学习框架,用于在T2加权MRI中对CG和PZ进行细分.
- 将一个解剖前列腺区域地图集成到语义细分模型中.
主要方法:
- 提出了一个深度学习的语义细分框架,包括一个概率前列腺区域图谱.
- 利用动态控制的超参数将地图信息与细分结果结合起来.
- 启用了在推断过程中对超参数的动态调整,以实现用户引导的细分精细化.
主要成果:
- 在外部测试数据集上,获得了CG的0.91±0.05和PZ的0.77±0.16的Dice相似系数.
- 与没有Atlas的基线方法相比,细分性能显著改善.
- 动态超参数允许用户驱动的细分结果的细化.
结论:
- 拟议的阿特拉斯集成深度学习方法提高了MRI中前列腺区域细分的准确性.
- 动态超参数为精细细分和临床应用提供了有价值的工具.
- 这种方法有望改善前列腺癌的放射性评估.
