LumVertCancNet: 一种基于混合Swin变压器的新型3D腰椎体无骨位置和细分方法
Yingdi Zhang1, Zelin Shi1, Huan Wang2
1Key Laboratory of Opto-Electronic Information Processing, Chinese Academy of Sciences, Shenyang 110016, China; Shenyang Institute of Automation, Chinese Academy of Sciences, Shenyang 110016, China; Institutes for Robotics and Intelligent Manufacturing, Chinese Academy of Sciences, Shenyang 110169, China; University of Chinese Academy of Sciences, Beijing 100049, China.
Computers in biology and medicine
|February 29, 2024
概括
这项研究引入了一种新的深度学习方法,用于细分腰椎骨,通过结合CNN和视觉转换器来提高准确性. 一个新的数据集,LumVBCanSeg,有助于医学图像分析的进步.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 准确的腰椎体无骨分割对于自动化脊柱分析至关重要,有助于医学诊断和骨强度评估.
- 使用卷积神经网络 (CNN) 和视觉转换器 (Vits) 的现有方法在建模远程依赖或在有限的数据上进行概括方面存在局限性.
- 显著的解剖学变异和数据稀缺性对自动腰椎脊柱处理构成挑战.
研究的目的:
- 开发一个强大的基于深度学习的两阶段解决方案,用于自动定位和细分腰椎体无骨.
- 通过提出混合方法来解决单个CNN和Vits模型的局限性.
- 引入一套新的数据集,以促进该领域的研究.
主要方法:
- 一个两阶段的方法:首先,Swin转换器模型使用新的LumAnatomy损失函数预测腰椎体中心体.
- 其次,一个编码器-解码器网络与并行Swin变压器和CNN编码器分割了无序骨.
- 建议采用多尺度注意力特征融合模块 (MSA-FFM),有效地结合不同编码器的特征.
主要成果:
- 与LumVBCanSeg数据集上的最先进的医疗图像细分技术相比,提出的方法获得了更高的性能.
- 包含185个CT扫描的LumVBCanSeg数据集是第一个大规模的数据集,用于腰椎体的骨分割.
- 该方法在处理解剖变异和有限数据场景方面表现出有效性.
结论:
- 拟议的深度学习框架为腰椎体无骨分割提供了有效的解决方案.
- 新的LumAnatomy损失和MSA-FFM有助于提高准确性和稳定性.
- 公共可用的数据集和代码将推动自动腰椎分析的研究.
