精确的对象定位在深度学习中促进了食道自动细分
Zhibin Li1, Guanghui Gan1, Jian Guo1
1Department of Radiation Oncology, The First Affiliated Hospital of Soochow University, Suzhou, China.
Radiation oncology (London, England)
|May 12, 2024
概括
一种新的两阶段深度学习策略通过首先定位对象,然后对其进行细分来提高食道细分的准确性. 这种方法提高了稳定性和性能,特别是在具有挑战性的案件中.
科学领域:
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算解剖学的计算解剖学
背景情况:
- 自动食道细分是困难的,因为器官的小尺寸,低对比度,和可变的形状.
- 现有的深度学习方法在准确细分食道方面面临挑战.
研究的目的:
- 通过两阶段的深度学习方法来提高食道细分性能.
- 为了提高自动食道划线的稳定性和准确性.
主要方法:
- 在胸部CT扫描上使用修改后的CenterNet模型进行初始食道中心定位.
- 3D U-Net和2D U-Net模型被训练为基于本地化的中心进行细分.
- 通过使用更新的对象中心进行2D U-Net精细细分的微调步骤.
主要成果:
- 2D U-net_fine 模型实现了最高的平均子系数 (0.82) 和低95%的豪斯多夫距离 (3.76).
- 两阶段策略在初始结果不佳的情况下显著改善了5.5%的细分 (Dice < 0.75).
- 分段性能在食道区域之间有所不同,在下腔孔和肺部分叉之间准确性较低.
结论:
- 结合对象本地化和细分的两阶段策略增强了深度学习模型的稳定性.
- 准确的初始物体定位对于显著改善食道划线至关重要,特别是在困难的情况下.
- 拟议的方法为挑战性自动食道细分任务提供了一个有希望的解决方案.
