在OCT图像中通过模两可的边界意识注意力进行状层分析
Qifeng Yan1, Yuhui Ma1, Wenjun Wu1
1Laboratory of Advanced Theranostic Materials and Technology, Ningbo Institute of Materials Technology and Engineering, Chinese Academy of Sciences, Ningbo, China.
Computers in biology and medicine
|May 1, 2024
概括
这项研究引入了一个新的AI网络,用于分析光学一致性断层扫描 (OCT) 图像中的胆道层和血管,提高细分精度,以更好地了解疾病.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 光学连贯断层扫描 (OCT) 可视化胆道形态,但由于界限模糊和分布不平衡,与子层和血管细分有困难.
- 在OCT图像中对状子层和血管的定量分析仍未得到充分研究.
研究的目的:
- 提出一种新的两阶段深度学习架构,即冠状层分析网络 (CLA),用于在OCT图像中联合细分冠状亚层和血管.
- 为了应对模糊的边界和不平衡的船只分布的挑战,以提高细分精度.
主要方法:
- 开发了一种两级架构 (CLA),使用编码器-解码器骨干和剩余的U形模块.
- 在第一阶段加入了一个模两可的边界注意力 (ABA) 块,以增强微妙的冠状腺亚层边界的细分.
- 在第二阶段利用了基于轮的活跃损失来改进胸腔血管轮和上下文建模.
主要成果:
- 与最先进的细分方法相比,CLA网络在800张标注的OCT图像的数据集上取得了更高的性能.
- 成功地在3D中重建了大型胆道血管,并计算了形态参数.
- 在健康对照组和高近视组之间显示了3D参数的显著差异.
结论:
- 拟议的CLA网络为OCT图像中的关节胆道子层和血管细分提供了强大的解决方案.
- 3D形态分析为了解高近视等疾病提供了宝贵的见解.
- 这项工作通过先进的OCT图像分析来促进临床决策和疾病理解.
