一个基于解剖学的代搜索卷积神经网络用于CT图像中的器官定位
Tiange Liu1,2, Meng Tan1, Yubing Tong2
1School of Information Science and Engineering, Yanshan University, Qinhuangdao, Hebei 066004, China.
Proceedings of SPIE--the International Society for Optical Engineering
|December 15, 2023
概括
这项研究引入了一种新的深度学习方法,用于在CT扫描中精确地定位多器官. 这种新的方法准确地识别器官的位置,尺寸和存在,改进了医疗图像分析.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 器官定位对于医学图像分析至关重要.
- 现有的方法往往缺乏精度和效率.
- 深度学习为改进本地化提供了潜力.
研究的目的:
- 开发一种新的端到端3D卷积神经网络,用于多器官定位.
- 在深度学习框架中嵌入解剖结构学习.
- 为了在CT图像中准确有效地定位多个器官.
主要方法:
- 一个端到端的3D卷积神经网络,采用回归网络.
- 代粗到细的本地化策略.
- 零碎损失函数,多密度采样和双分辨率策略用于优化和准确性.
- 输出一个8维向量编码位置,尺度和目标器官的存在.
主要成果:
- 在LiTS数据集上超越了11个胸部-腹部-骨盆器官的最新方法.
- 在欧盟 (IOU) 上实现了平均交叉率为80.84%.
- 证明了极好的准确性,平均壁距离为3.63毫米,平均心脏距离为4.93毫米,特别适用于中小器官.
结论:
- 拟议的深度学习方法在CT图像中提供了准确和高效的多器官定位.
- 这种新的方法有效地嵌入了解剖学知识,以提高性能.
- 这种方法对推进医疗图像分析预处理任务具有重大前景.
