肺血管连接地图作为基于深度学习的肺叶细分的解剖学先验知识
Simone Bendazzoli1,2, Emelie Bäcklin1,2, Örjan Smedby1
1KTH Royal Institute of Technology, Department of Biomedical Engineering and Health Systems, Huddinge, Sweden.
Journal of medical imaging (Bellingham, Wash.)
|July 11, 2024
概括
这项研究通过整合肺血管连接 (LVC) 地图来增强CT扫描中肺叶细分的深度学习 (DL). 这种解剖学先验提高了准确性,特别是在边界,并显示出疾病病例的前景.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 胸部CT扫描中肺叶的自动细分对于临床分析至关重要.
- 深度学习 (DL) 方法提供了潜力,但可以与复杂的解剖变异作斗争.
- 结合先前的解剖学知识可能会提高DL模型的性能和稳定性.
研究的目的:
- 研究将先前的解剖学知识整合到DL中用于肺叶细分的好处.
- 开发和评估使用肺血管连接 (LVC) 地图的DL方法.
- 评估LVC对细分精度,概括性和稳定性的影响.
主要方法:
- 使用LVC地图开发了一种基于DL的自动化方法.
- 在nnU-Net中探索了三个神经网络架构 (U-Net,多任务U-Net,级联U-Net).
- 该方法在胸部CT扫描上进行了测试,包括COVID-19病例.
主要成果:
- 包括LVC信息改善了细分精度,特别是在具有挑战性的过期CT扫描边界区域.
- LVC证明了提高DL模型的概括能力的潜力.
- 该方法在COVID-19病例中的肺叶细分方面显示出强度和适用性.
结论:
- 整合先前的解剖信息,如LVC,有望改善基于DL的肺叶细分.
- 边境地区的改善最显著,但存在局限性.
- 需要进一步的研究,以充分探索这种方法的实际适用性.
