基于U-Net的CT图像中的自动骨分割.
Eva Milara1, Adolfo Gómez-Grande2,3, Pilar Sarandeses2,3
1Biomedical Engineering and Telemedicine Centre, Center for Biomedical Technology, ETSI Telecomunicación, Universidad Politécnica de Madrid, 28040, Madrid, Spain.
Journal of imaging informatics in medicine
|April 30, 2024
概括
本研究介绍了一种深度学习模型,用于从CT扫描中自动分割骨. 基于U-Net的模型准确地对骨结构进行细分,有助于评估骨质疏松症和骨转移等疾病.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 骨生物学 骨生物学
背景情况:
- 形态性骨变化发生在各种临床环境中,包括骨转移,瘤疗法和骨质疏松症.
- 从解剖图像对骨变化的视觉评估是不理想的.
- 精确的骨细分对于准确的骨评估至关重要.
研究的目的:
- 提出一个神经网络模型,用于从二维计算机断层扫描 (CT) 切片中自动分割骨.
- 为了评估模型在准确细分骨结构方面的性能.
主要方法:
- 用77张CT图像进行半手动细分,用于培训和测试.
- 实现了一个基于U-Net的神经网络架构.
- 应用的预处理步骤包括架移除,值,剪切和正常化.
主要成果:
- 在表现最佳的模型中,实现了0.959的Jaccar指数 (IoU) 和0.979的Dice指数.
- 在自动骨区分方面表现出高准确度.
结论:
- 深度学习模型,特别是U-Net架构,显示出医学图像分析的巨大潜力.
- 开发的模型被证明对精确的骨细分是有效的,有助于临床评估.
