在图像导向手术中用于自动化鼻CT细分的标签高效框架
Manish Sahu1, Yuliang Xiao1, Jose L Porras2
1Laboratory for Computational Sensing and Robotics, Johns Hopkins University, Baltimore, Maryland, USA.
概括
在CT扫描中,深度学习对鼻腔结构的细分是有效的. 一些标记扫描能够实现准确的自动细分,改善手术规划和导航.
科学领域:
- 医疗成像和人工智能的人工智能
- 放射科和耳鼻喉科的放射学和耳鼻喉学
背景情况:
- 在CT扫描中手动细分鼻腔结构是耗时且资源密集的.
- 自动化深度学习 (DL) 方法为简化这一过程提供了一个潜在的解决方案.
研究的目的:
- 评估一个标签效率高的DL管道,用于CT扫描中鼻腔结构的语义细分.
- 为了确定准确细分所需的注释扫描的最低数量.
主要方法:
- 一个回顾性队列研究,使用40个CT扫描.
- 一个以手动注释和未标记扫描为基础的标签效率高的DL框架.
- 基于注释扫描数量的定量分析来评估平均表面距离 (ASDs).
主要成果:
- 对于大型鼻腔结构 (鼻腔隔膜,下轮,大腔) 仅需要四次标记扫描才能达到亚毫米ASD.
- 需要8个标记扫描来准确细分像视神经这样的较小结构.
- DL管道在最小的标记数据下表现出高准确度.
结论:
- 一个标签效率高的DL管道可以使用少量的标记CT扫描来实现鼻结构细分的亚毫米精度.
- 这种自动化方法有可能显著提高术前规划,图像引导导航和计算机辅助诊断.
更多相关视频
08:05Lung CT Segmentation to Identify Consolidations and Ground Glass Areas for Quantitative Assesment of SARS-CoV Pneumonia
Published on: December 19, 2020
14.1K
07:53Author Spotlight: Advancing 3D Modeling for Enhanced Diagnosis and Treatment of Pulmonary Nodules in Early-Stage Lung Cancer
Published on: October 13, 2023
1.4K