医疗图像分割的边界指导网络.
Rubin Xu1,2, Chao Xu3,4, Zhengping Li1,2
1School of Integrated Circuits, Anhui University, HeFei, 230601, China.
Scientific reports
|July 28, 2024
概括
这项研究引入了一种新的边界导向网络,用于从囊镜图像中准确地细分膀瘤. 该方法有效地捕捉瘤特征和边界,提高诊断准确度.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 在瘤学瘤学.
背景情况:
- 精确的膀瘤细分对于患者的治疗和预后至关重要.
- 目前的深度学习方法主要集中在CT/MRI上,忽视了囊镜检查的结果.
- 多样化的瘤形态和模糊的边界带来了重大的细分挑战.
研究的目的:
- 提出一个新的边界导向网络,以从囊镜图像中准确地细分膀瘤.
- 通过结合CNN局部特征和并行ViT远程依赖来增强瘤特征提取.
- 改善医学成像中的细分精度和边界保护.
主要方法:
- 开发了一个边界指导网络,集成CNN和并行ViT.
- 引入了一个边界提取模块来指导解码过程.
- 通过边界集成模块实现前景-后台双通道解码.
主要成果:
- 在一个新的囊镜膀瘤数据集 (BTD) 上实现了高性能,IOU为91.3%,豪斯多夫距离为10.43,mAP为85.3%,F1得分为94.8%.
- 与最先进的方法相比,证明了优越的细分精度和边界信息保留.
- 在BTD和其他三个公共医疗图像数据集中验证了有效性.
结论:
- 拟议的边界导向网络有效地从囊镜图像中对膀瘤进行细分.
- 地方和远程特征的整合,以及边界指导,提高了细分性能.
- 这种模型显示了改善膀癌诊断和治疗计划的重大前景.
