基于DenseASPP的 pterygopalatine fossa的自动细分和定位
1School of Computer Science and Technology, Changchun University of Science and Technology, Changchun, Jilin, China.
概括
一种新型的深度学习模型精确地细分了pterygopalatine fossa,提高了针在过敏性鼻炎治疗中的安全性和有效性. 这种人工智能驱动的方法增强了解剖学准,以获得更好的患者结果.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 人体解剖学 解剖学 解剖学
背景情况:
- 过敏性鼻炎是一种常见的疾病,传统治疗方法不足最佳.
- 甲穴针是有效的,但在解剖学上具有挑战性.
- 目前的方法缺乏准确性和安全性,以准状沟.
研究的目的:
- 开发一种深度学习模型,用于精确地分段甲骨腔.
- 为了提高pterygopalatine fossa辅助程序的安全性和准确性.
- 为了改善治疗干预的 pterygopalatine fossa 的局部化.
主要方法:
- 开发了一个基于U-Net框架的深度学习模型.
- 集成了DenseASPP和注意力机制,以加强细分.
- 该模型经过训练,以完善甲沟的细分.
主要成果:
- 该模型实现了93.89%的子相似系数.
- 2.53毫米的豪斯多夫距离证明了高精度.
- 该模型仅使用了198万个参数,表明了效率.
结论:
- 深度学习显著提升了pterygopalatine fossa的本地化和细分.
- 该模型提供了一种可靠的工具,用于指导垂体腔辅助穿孔.
- 这种人工智能方法为治疗过敏性鼻炎提供了更安全,更精确的替代方案.
