在语义约束下,前列腺超声波图像的双向细分方法
Zexiang Li1, Wei Du2,3, Yongtao Shi4,5
1College of Electrical Engineering and New Energy, China Three Gorges University, Yichang, Hubei, 443002, China.
Scientific reports
|May 22, 2024
概括
这项研究介绍了BiSeC模型,用于在跨直肠超声波 (TRUS) 图像中准确的前列腺细分. 这种新的方法显著提高了细分性能,为医学成像分析提供了具有成本效益的解决方案.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 生物医学工程 生物医学工程
背景情况:
- 跨直肠超声波 (TRUS) 图像中的前列腺细分具有挑战性,因为标记数据有限,语义信息复杂.
- 准确和快速的细分对于临床应用至关重要,但目前的方法面临局限性.
研究的目的:
- 在TRUS图像中开发一个有效和高效的前列腺细分模型.
- 为了应对医疗图像细分中的数据稀缺性和语义复杂性的挑战.
主要方法:
- 提出了一个端到端的双向语义约束模型,称为BiSeC.
- 使用深度学习技术进行图像细分.
- 专注于平衡边界精度与降噪.
主要成果:
- 实现了96.74%的子相似系数 (DSC) 和93.71%的交集在联盟 (IoU) 上.
- 与经典和流行的深度学习方法相比,展示了优越的细分性能.
- 展示了准确性,速度和成本效益之间的平衡.
结论:
- BiSeC模型为前列腺TRUS图像细分提供了一个强大的解决方案.
- 该方法提高了细分的准确性和效率,可能降低医疗保健成本.
- BiSeC为改善泌尿病学诊断和治疗程序提供了宝贵的工具.
