基于热图的活性形状模型用于在腰部X射线图像中的地标检测
1Digital Health Research Division, Korea Institute of Oriental Medicine, 1672 Yuseong-daero, Yuseong-gu, Daejeon, 34054, Republic of Korea.
Journal of imaging informatics in medicine
|August 5, 2024
概括
这项研究通过使用深度学习模型与统计形状分析相结合,提高了X射线中腰椎脊柱地标检测. 改进的方法减少了检测错误,提高了自动诊断系统的可靠性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 自动腰椎疾病诊断依赖于X射线图像中的精确地标检测.
- 深度学习模型用于此分析,但面临图像噪声,模糊性和解剖学变化的挑战,导致检测错误.
研究的目的:
- 开发一种强大的方法来提高腰部X射线图像中的地标检测精度.
- 提高腰椎疾病诊断的自动化系统的可靠性.
主要方法:
- 采用两步深度学习模型 (Pose-Net和M-Net) 来检测地标并生成热图响应.
- 使用热图响应和包含统计地标分布信息的积极形状模型来改进地标位置.
主要成果:
- 拟议的方法显著减少了3600张腰部X射线图像中的地标检测错误.
- 通过将深度学习与统计形状约束集成,平均最大误差减少了5.58%.
- 进一步与CoordConv层和非定向部分亲和场等技术的整合提高了性能.
结论:
- 结合深度学习和统计形状模型方法的结合,提高了腰部X射线中地标检测的稳定性.
- 这一进步提高了自动诊断系统的可靠性,通过降低成本和提高效率,使患者和医疗专业人员受益.
