一个基于深度学习的交互式医疗图像细分框架,带有序列记忆

科学领域:

• 医学图像分析 医学图像分析
• 深度学习 (Deep Learning) 是一种深度学习.
• 计算机辅助诊断 计算机辅助诊断

背景情况:

• 3D医学图像细分至关重要,但具有挑战性.
• 现有的交互式方法忽视了用户纠正的顺序性质.
• 利用交互顺序可以提高细分性能.

研究的目的:

• 开发一个深度学习框架,用于交互式3D医学图像细分.
• 将用户交互历史 (内存) 纳入细分过程.
• 为了提高医疗图像细分的准确性和效率.

主要方法:

• 一个多类深度学习框架,在用户交互循环中嵌入一个基础网络.
• 显式建模用户反记忆作为系统状态的序列.
• 利用虚拟用户在训练期间动态模拟代反.

主要成果:

• 该框架在多类女性骨盆MRI和肝/胰腺CT细分方面表现出卓越的性能.
• 实现了标注时间的显著减少 (5'56"对比25'对于古典工具).
• 性能优于现有的自动和交互式系统,特别是在小型和难以分割的类别中.

结论:

• 拟议的框架在细分精度和效率方面提供了实质性的改进.
• 通过快速推断速度大幅减少用户细分时间.
• 强调了用户交互数据在医学成像深度学习中的重要性.