一个2.5D自我训练策略,用于T1权重脑磁共振图像中的动脉细分
Adriel Silva de Araújo1, Márcio Sarroglia Pinho1, Ana Maria Marques da Silva2
1School of Technology, Pontifícia Universidade Católica do Rio Grande do Sul, Porto Alegre 90619-900, Brazil.
Journal of imaging
|July 26, 2024
概括
这项研究引入了一个深度学习管道,用于更快,更准确的医疗图像细分. 该方法使用新的2.5D技术提高了注释效率和3D结构细分.
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:
- 准确的医学图像注释至关重要,但耗时.
- 从二维切片对3D结构进行细分可能会导致信息丢失.
- 现有的方法在体积细分方面的效率和精度方面存在困难.
研究的目的:
- 开发一个深度学习管道,以实现高效准确的医疗图像细分.
- 为应对耗时的注释和3D细分中的信息丢失所带来的挑战.
- 在脑MRI扫描中对动脉树进行细分.
主要方法:
- 一种半自动的细分方法,使用边界框作为面具来简化注释.
- 递归自我训练以提高注释质量和模型性能.
- 一种使用Res-Unet架构使用体积切片的伪RGB图像的2.5D细分技术.
主要成果:
- 该管道应用于T1加权的大脑MRI扫描,用于动脉细分.
- 在42个体积扫描中,使用边界框进行初始注释.
- 在一个看不见的数据集上实现了0.68 ± 0.08的交叉与联盟 (IoU) 分数.
结论:
- 开发的深度学习管道有效地解决了医疗图像注释和细分方面的挑战.
- 2.5D细分技术显示了准确的3D结构划分的前景.
- 该方法为提高医学图像分析效率和准确性提供了可行的解决方案.


