基于肺CT图像的端到端多尺度的气道细分框架

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 放射学 放射学是一门学科.

背景情况:

• 精确的呼吸道细分对于诊断肺部疾病至关重要.
• 气道的多层次,树状结构构成了重要的细分挑战.
• 卷积神经网络 (CNN) 在医学图像细分方面表现有前途.

研究的目的:

• 提出一个新的两阶段的2D + 3D深度学习框架,用于多层次的气道树细分.
• 提高呼吸道细分的准确性,特别是肺内分支.
• 通过精确的呼吸道分析,提高肺部疾病的诊断能力.

主要方法:

• 这是一个两阶段的框架,结合了2D全气道SegNet (2D FA-SegNet) 和3D气道RefineNet (3D ARNet).
• 将多尺度空间金字塔和剩余跳过连接模块纳入2D FA-SegNet.
• 在3D ARNet中实施硬样本选择策略和虚假阳性/负性损失,用于精细细分.

主要成果:

• 在整个气道树上获得0.931的子相似系数 (DSC) 和0.871的IOU.
• 在肺内支气管树中获得0.699的DSC和0.543的IOU.
• 级联式3D ARNet与其他方法相结合,分别增加了检测到的树长和树枝率高达46.33%和42.97%.

结论:

• 拟议的2D + 3D框架有效地解决了气道细分的多规模性质.
• 该方法在细分整体和细微肺内通气道方面表现出卓越的性能.
• 这种方法在推进肺病诊断和分析方面具有重大潜力.