相关实验视频
Updated: Jun 22, 2025
07:45
Quantifying Intermembrane Distances with Serial Image Dilations
Published on: September 28, 2018
6.4K
预测手动修复自动细分所需的努力
Da He1,2, Jayaram K Udupa1, Yubing Tong1
1Medical Image Processing Group, 602 Goddard building, 3710 Hamilton Walk, Department of Radiology, University of Pennsylvania, Philadelphia, PA 19104, United States.
medRxiv : the preprint server for health sciences
|July 1, 2024
概括
评估医疗图像自动细分需要超越重叠和距离的指标. 像Mendability Index (MI) 和深度学习模型这样的新指标可以更好地预测手动校正时间,改善放射学和瘤学工作流程.
科学领域:
- 医学图像分析 医学图像分析
- 放射学 放射学是指放射学
- 辐射瘤学 辐射瘤学
背景情况:
- 自动细分对于医学图像分析至关重要,影响放射学和瘤学效率.
- 目前的指标,如子系数 (DC) 和豪斯多夫距离 (HD),可能不反映临床手动校正努力.
- 需要准确的评估指标来指导卓越的自动细分技术的开发.
研究的目的:
- 调查与临床手动校正努力相关的细分指标.
- 将已建立的指标 (DC,HD,surDC,APL) 与新的混合指标 (可变性指数-MI) 进行比较.
- 探索深度学习来预测手动细分校正时间.
主要方法:
- 专家记录了修复时间,以量化手工校正力度.
- 在五个指标上进行了相关性和回归分析:DC,HD,表面DC (surDC),增加路径长度 (APL) 和MI.
- 训练有素的深度学习模型使用细分面具和原始图像来预测修复力度.
主要成果:
- 可修复性指数 (MI) 最好表示稀疏物体的修复力度.
- 对于非散射物体,豪斯多夫距离 (HD) 是最有效的.
- 深度学习模型准确地预测了修复努力,即使没有基础真相数据.
结论:
- 可变性指数 (MI) 和豪斯多夫距离 (HD) 显示出基于对象稀疏性的自动细分评估的前景.
- 深度学习提供了一种新的,高效的方法来评估和增强临床实践中的自细分技术.
