自动细分腹腔大动脉动脉瘤的内血栓从CT血管学使用混合规模驱动的多视图感知网络 (M2Net) 模型自动细分
Zonghan Lyu1, Nan Mu1, Mostafa Rezaeitaleshmahalleh1
1Biomedical Engineering, Michigan Technological University, Houghton, MI, 49931, USA; Center for Biocomputing and Digital Health, Health Research Institute and Institute of Computing and Cybernetics, Michigan Technological University, Houghton, MI, 49931, USA.
Computers in biology and medicine
|July 21, 2024
概括
这项研究介绍了M2Net,这是一种新的深度学习方法,用于在腹腔大动脉动脉瘤 (AAA) 中细分腹腔内血栓 (ILT) 使用计算机断层扫描血管学 (CTA). M2Net实现了卓越的准确性,有助于更好的AAA评估和管理.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 心血管研究研究心血管研究
背景情况:
- 腹腔内血栓 (ILT) 在腹腔大动脉瘤 (AAA) 进展中至关重要,但由于对比度差和分布分散,从计算机断层扫描血管学 (CTA) 中对其进行细分是具有挑战性的.
- 现有的细分方法与ILT划分有困难,阻碍了准确的AAA评估和管理.
研究的目的:
- 开发和评估一个新的多视图融合深度学习网络,M2Net,用于使用CTA数据在腹腔大动脉瘤 (AAA) 中高质量的腹腔内血栓 (ILT) 细分.
主要方法:
- 提出了一种多视图融合方法,称为混合规模驱动的多视图感知网络 (M2Net).
- M2Net采用2D混合尺度ZoomNet来从直角视图 (轴向,斜向,冠状) 细分ILT,并使用情境感知体积集成网络 (CVIN) 来融合这些结果.
- 该模型是通过对比度增强的人类AAA受试者的CTA数据进行评估的.
主要成果:
- 与最先进的深度学习模型相比,M2Net模型表现出更高的性能.
- 定量分析产生了高准确度,DICE分数为0.88和灵敏度为0.92.
- 拟议的方法提供了自动化,高质量的ILT划分.
结论:
- M2Net模型为AAA中的ILT细分提供了一个有效的自动化解决方案.
- 这种深度学习方法有可能用于临床翻译,改善AAA评估和患者管理.
更多相关视频
09:32Time-Resolved, Dynamic Computed Tomography Angiography for Characterization of Aortic Endoleaks and Treatment Guidance via 2D-3D Fusion-Imaging
Published on: December 9, 2021
3.0K
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.7K
