在低样本的3D膝盖MRI中进行关节重建和细分,结合形状知识和深度学习
A Kofler1, C Wald2, C Kolbitsch1
1Physikalisch-Technische Bundesanstalt, Braunschweig and Berlin, Germany.
Physics in medicine and biology
|March 25, 2024
概括
这项研究将统计形状模型 (SSM) 集成到深度学习中,用于3D膝盖MRI重建和细分,以显著降低计算成本实现高精度.
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:
- 适应任务的神经网络 (NN) 优化图像重建的任务,如细分,但需要大量的硬件.
- 目前的方法通常使用简单的NN构建块,缺乏整合模型特定知识.
- 端到端可训练的方法提供了潜力,但面临着计算挑战.
研究的目的:
- 通过结合统计形状模型 (SSM) 来增强端到端可训练的适应任务的图像重建.
- 将这一点应用于3D膝盖MRI中骨和软骨细分的临床相关问题.
- 将拟议的方法与同时多任务学习 (MTL) 和复杂的SSMs信息分段管道 (SIS) 进行比较.
主要方法:
- 扩展了一个端到端可训练的方法与SSMs进行预先信息和规范化.
- 利用SSM来规范细分图作为后处理步骤.
- 对重建和细分的MTL和SIS方法进行性能比较.
主要成果:
- 联合端到端培训和SSM规范化的结合方法显著提高了细分精度,减少了平均和最大表面误差.
- 实现了与复杂的SIS管道相美的细分质量.
- 证明模型参数减少了五倍,计算速度提升了一个数量级.
结论:
- 将SSM集成到MTL中,用于3D膝盖MRI重建和细分,提供了一个计算效率高但高度准确的解决方案.
- 该方法实现了高质量的细分,即使有显著的低样本 (R=8).
- 这种方法平衡了深度学习的好处与SSM的先前知识,以改善医疗图像分析.
