基于深度学习的多类细分,基于计算机断层图像的鼻炎患者的鼻鼻的细分
Jongwook Whangbo1,2, Juhui Lee2, Young Jae Kim2,3
1Department of Computer Science, Wesleyan University, Middletown, CT 06459, USA.
Sensors (Basel, Switzerland)
|March 28, 2024
概括
一个新的卷积神经网络 (CNN) 模型准确地细分上鼻,帮助手术指导. 正常的3D U-Net变体显示出最佳性能,特别是在形鼻和大鼻.
科学领域:
- 医学成像和人工智能 医学成像和人工智能
- 计算解剖学和外科手术规划
背景情况:
- 准确的鼻鼻细分对于开发有效的外科指导系统至关重要.
- 现有的细分方法可能会面临解剖变异和病理状况的挑战.
研究的目的:
- 引入和评估一个多类卷积神经网络 (CNN) 对鼻腔的细分模型.
- 为了比较四个3D U-Net变体 (正常,残余,密度,残余密度) 的性能,用于鼻腔细分.
主要方法:
- 基于3D U-Net架构的多类CNN细分模型的开发.
- 培训和验证使用40名患者 (20个正常,20个异常鼻) 的数据集,并进行5倍交叉验证.
- 在模型培训之前应用的数据规范化技术.
主要成果:
- 正常的3D U-Net模型获得了最高的性能,F1得分为84.29%的正常数据集和79.32%的异常数据集.
- 在两种测试组中,对于形鼻和大鼻观察到更高的真实阳性率.
- 在清晰的鼻中注意到有效的细分,尽管粘膜炎症出现了局限性.
结论:
- 开发的CNN模型,特别是正常的3D U-Net,在临床应用中展示了对鼻突细分的巨大潜力.
- 该模型在细分异常鼻方面表现有前途,有助于改善外科指导.
- 需要进一步改进,以应对粘膜炎症病例的细分挑战,并提高整体临床效用.
