自动3D面曲线提取自由手3D超声数据使用序列定位反复卷积网络的自动3D面曲线提取

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 脊柱生物力学 脊柱生物力学

背景情况:

• 自由手3D超声波是脊柱检查的非侵入性,经济实惠的工具.
• 精确地提取3D片面的地标,对于脊柱形状分析至关重要.
• 挑战包括对比度变化,文物和超声波序列中的探针操纵.

研究的目的:

• 开发和评估一种新的深度学习模型,即顺序定位反复卷积网络 (SL-RCNs),用于从超声数据中精确的3D片面曲线提取.
• 为了提高3D脊柱形状分析的准确性,使用自由手超声波成像.

主要方法:

• 拟议的顺序本地化反复卷积网络 (SL-RCNs) 模型包含上下文关系和转换矩阵特征.
• 分析了十名健康参与者的3D超声波序列 (腰部和胸部区域).
• 通过七倍交叉验证与一个留下一个参与者排除策略评估绩效,并对三名参与者进行了测试.

主要成果:

• SL-RCN将平均距离误差 (MDEs) 从1.62/1.63毫米减少到1.41/1.40毫米.
• 规范离散的弗雷切距离 (NDFD) 从0.5910/0.6389改进到0.4276/0.4567.7. 这是一个很大的变化.
• 在交叉验证和测试数据之间,平均NDFD的最小增加 (<0.05),表明性能强.

结论:

• 从自由手的3D超声波序列中,SL-RCN有效地提取准确,配对,光滑的板块地标曲线.
• 该模型显示了与以前的二维分析方法相比的显著改进.
• 在临床环境中,SL-RCN显示了推进脊柱3D成像分析的潜力.