通过优化的活跃轮模型,为肺结节采用了少数拍摄的细分框架

科学领域:

• 医学成像分析 医学成像分析
• 计算病理学计算病理学
• 医疗保健中的人工智能

背景情况:

• 精确的肺结节细分对于肺癌的诊断和治疗至关重要.
• 细分的挑战源于肺结节和周围组织之间的视觉相似性.

研究的目的:

• 整合深度学习和活跃的轮模型来克服个人的局限性.
• 开发一个强大的肺结节细分框架,以提高准确性和减少数据依赖性.

主要方法:

• 提出了几次拍摄的细分框架,结合了深度神经网络和活跃的轮模型.
• 引入热核卷曲和高阶总变化到活动轮模型中.
• 从几次射击深度神经网络中利用预细分作为活跃轮模型的初始轮.

主要成果:

• 拟议的方法在临床CT图像和LIDC数据集上展示了出色的细分性能.
• 与基于视觉和定量评估的最先进方法相比,取得了更好的结果.
• 使用来自两个医院和公共数据集的数据验证了有效性.

结论:

• 该框架利用少量学习输出作为预先信息,消除了手动初始轮选择.
• 为深度学习模型提供数学解释性,减少对广泛训练数据的依赖.
• 在临床环境中提高精确肺结节细分的可行性.