基于深度学习的支气管树引导的肺部细分的半自动细分在计算机断层扫描图像中的图像
Zhi Chen1, Bar Wai Barry Wo2, Oi Ling Chan3
1Department of Health Technology and Informatics, The Hong Kong Polytechnic University, Hong Kong, China.
Quantitative imaging in medicine and surgery
|February 28, 2024
概括
本研究提出了一种深度学习方法,用于在CT扫描中使用支气管树方法对肺部段进行细分. 该技术对半自动细分有希望,有助于精确的肺癌治疗.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 肺部病理学 肺部病理学
背景情况:
- 肺部分段在CT图像中为肺癌定位提供了比叶片更高的精度.
- 精密治疗的进步需要精确识别和可视化肺部细分的肺癌治疗.
研究的目的:
- 将多个深度学习模型集成到CT图像中,以实现精确的肺部细分.
- 利用支气管树 (BT) 基的方法来提高细分精度.
主要方法:
- 使用U-Net,V-Net和BronchiNet模型进行肺,叶片和气道细分的五步方法.
- 支气管树枝标签基于解剖位置的标签.
- 基于对标注的BT分支的voxel距离的肺部分段细分.
主要成果:
- 高子相似系数 (DSC) 用于肺 (0.98±0.03) 和叶 (0.94±0.06) 的细分.
- 精确的气道细分,平均树长为1,902.8±502.1毫米和8.5±1.3代.
- 肺部片段细分实现了0.73±0.11的DSC和6.1±2.9毫米的平均表面距离.
结论:
- 在CT图像上结合深度学习模型用于辅助肺部细分的可行性.
- 基于BT的方法显示了半自动细分肺部细分的潜力.


