形状预先受限的深度学习网络用于医疗图像细分

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 医学图像细分对于诊断和治疗计划至关重要.
• 挑战包括低对比度,相似的器官强度和解剖学变异.
• 现有的方法难以处理复杂的细分任务.

研究的目的:

• 为医疗图像开发一个先进的细分网络.
• 通过结合形状先验和多尺度特征来提高细分精度.
• 为了解决当前细分技术的局限性.

主要方法:

• 一个新的培训框架,具有形状先前约束和多尺度特征融合模块.
• 在细分神经网络中嵌入一个形状先前学习模型.
• 在测试期间结合形状生成器和细分网络的循环协作框架.

主要成果:

• 提出的方法在ACDC MICCAI'17挑战数据集上在子分数中获得了第1名.
• 在COVID-19CT肺部和LiTS2017肝脏细分数据集上表现出高度竞争力的性能.
• 成功解决了低对比度和解剖学变异性的问题.

结论:

• 形状先前表示受限制的多尺度特征融合网络提供了卓越的医疗图像细分.
• 提出的培训和测试策略有效地提高了细分精度.
• 这种方法显示出临床应用的巨大潜力.