局部化上下文的增量回归用于从CT数据中自动细分骨化带肌
Rong Tao1, Xiaoyang Zou1, Xiaoru Gao1
1Institute of Medical Robotics, Shanghai Jiao Tong University, Dongchuan Road, Shanghai, 200240, China.
概括
这项研究引入了一种新的两阶段框架,用于自动骨化带膜细分,这对于脊柱手术至关重要. 该方法显示出有希望的结果,超过了现有的技术来完成这一具有挑战性的任务.
科学领域:
- 医疗成像医学成像
- 计算机辅助手术 计算机辅助手术
- 脊椎解剖学 脊椎解剖学
背景情况:
- 手动细分的骨化带 (OLF) 是劳动密集型,容易变化.
- 精确的OLF细分对于计算机辅助,图像引导的解压胸膜切除术至关重要.
- 开发自动化细分方法是非常理想的,以提高效率和一致性.
研究的目的:
- 开发和评估一种新的两阶段,本地化上下文意识的框架,用于骨化带的自动细分.
- 为了解决手动细分的局限性,包括时间消耗,繁性和观察者间/观察者内部的变化.
- 为OLF细分提供强大的解决方案,以协助外科手术的规划和执行.
主要方法:
- 开发了一个两阶段的框架,从增量回归开始生成OLF本地化热图.
- 一个U-Net细分模型利用这些热图作为第二阶段的本地化上下文.
- 该框架直接将体积数据映射到体积智能的OLF标签上.
主要成果:
- 在100名患者数据集上的实验证明了该框架的性能.
- 该方法实现了平均子相似度系数为61.2 ± 7.6%.
- 平均表面距离为1.1 ± 0.5毫米,平均正预测值为62.0 ± 12.8%.
结论:
- 这项研究提出了自动骨化带膜细分的第一个方法.
- 与最先进的技术相比,拟议的方法显示出更高的性能.
- 这些发现支持这种自动化方法在脊柱外科手术的临床应用中的潜力.
