深度学习用于中耳的自动图像细分:一个范围的审查
Talisa Ross1,2, Ravina Tanna3, Watjana Lilaonitkul2
1Department of Ear, Nose and Throat Surgery, Charing Cross Hospital, Imperial College Healthcare NHS Trust, London, UK.
概括
卷积神经网络 (CNN) 显示出从CT扫描中自动化中耳细分的希望. 对形束CT的进一步研究可能会改善带的细分,有助于临床应用.
科学领域:
- 医学成像医学成像
- 人工智能的人工智能是人工智能.
- 放射学 放射学是一门学科.
背景情况:
- 卷积神经网络 (CNN) 已经显著提升了医疗图像细分.
- 计算机断层扫描 (CT) 扫描中耳的自动细分是新兴的研究领域.
研究的目的:
- 通过CT扫描的CNN进行自动化中耳细分的文献综合范围审查.
- 识别当前的CNN架构及其在分割中耳结构中的性能.
主要方法:
- 从创立到2023年7月,对主要数据库 (Medline,Embase,Scopus,Web of Science,Cochrane) 进行了系统的文献搜索.
- 分析中包括了10项研究,使用866个扫描来进行模型培训和测试.
- 针对自动化细分任务,评估了13个不同的CNN架构.
主要成果:
- 各种CNN架构在对中耳进行细分方面表现出有效的性能.
- 整个骨链的最佳子相似系数 (DSC) 是0.87 (ResNet).
- 单个结构的最高DSC为0.93的 (3D-V-Net),而的细分实现了0.84 (3D-V-Net) 的最大DSC.
结论:
- 通过CT扫描,CNN擅长对中耳结构进行细分.
- 开发在形束CTs上训练的架构可以增强空间分辨率,以改进节点细分.
- 这些进展在手术前规划,诊断和外科模拟方面具有直接的临床应用.
