相关实验视频
Updated: Jun 26, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
392
胎儿头部和阴部交接线细分在产后超声图像中使用双路径边界引导的残余网络
IEEE journal of biomedical and health informatics
|May 13, 2024
概括
这项研究引入了一种新型的双路径边界引导残余网络 (DBRN),用于在超声图像中准确细分胎儿头部和阴部交合体. DBRN 改进了胎儿进展角 (AoP) 测量,以获得更好的分娩结果.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 产科和妇科 产科和妇科
背景情况:
- 精确的胎儿结构细分和在产后超声波中测量进展角度 (AoP) 对于预测分娩结果和预防并发症至关重要.
- 自动细分的挑战来自于图像质量差,边界模糊和小目标大小,特别是对于阴部交合体.
研究的目的:
- 开发和评估一种新型的双路径边界引导残余网络 (DBRN),用于在产后超声图像中精确地自动细分胎儿头部和交.
- 使用拟议的DBRN模型,提高胎儿进展角度 (AoP) 的测量精度.
主要方法:
- 提出了一种双路径边界引导剩余网络 (DBRN),包含一个多尺度加权模块 (MWM),用于全球上下文和功能增强.
- 集成了一个增强的边界模块 (EBM) 提供精确的边界信息和一个边界引导的双重注意力残留模块 (BDRM) 用于带有空间注意力的残留学习.
- 在三个数据集上进行了广泛的比较实验,以验证DBRN的性能.
主要成果:
- DBRN实现了0.908 ±0.05的平均子得分和3.396 ±0.66毫米的平均豪斯多夫距离,超过了最先进的方法.
- 该模型在自动测量进度角 (AoP) 中表现出良好的一致性,与手动测量相比,平均差异为6.157°.
结论:
- 拟议的DBRN有效地解决了在低质量的产后超声波图像中自动细分的挑战.
- DBRN显示出临床应用的巨大潜力,可以提高胎儿头部和阴部交叉体细分和AoP测量的准确性,有助于分娩管理.
