深度DM:使用有限数据进行3D图像分割的深度驱动可变形模型
IEEE journal of biomedical and health informatics
|August 7, 2024
概括
深度DM是一种新的框架,通过将学习的能量函数与可变形模型集成,通过使用有限的数据来增强3D医疗图像细分. 这种方法不像深度学习 (DL) 方法那样依赖数据,通过更少的培训样本提高了细分精度.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 医学图像细分对于诊断和治疗计划等临床任务至关重要.
- 深度学习 (DL) 方法是最先进的,但需要大量的注释数据集,这些数据集在临床实践中往往很少,特别是在3D图像中.
研究的目的:
- 提出Deep-DM,一个以学习为导向的可变形模型框架,用于3D医学图像细分.
- 为了应对医疗图像细分方面的有限培训数据的挑战.
主要方法:
- 一个卷积神经网络 (CNN) 学习了一个集成到明确可变形模型中的能量函数.
- 能量函数是从在不断变化的表面周围的局部解剖图像表示中代地检索出来的.
- 这侧重于感兴趣的区域,排除了无关的信息来帮助学习过程.
主要成果:
- 深度DM框架在各种3D医学图像细分任务 (左心室,胎儿头部,左心室,膀) 和模式 (超声波,MRI,CT) 中展示了可行性.
- 该方法显示,与最先进的DL方法相比,培训数据集大小的依赖性减少了.
- 当有限的训练样本可用时,深度DM的表现优于DL方法.
结论:
- 深度DM提供了一种强大且数据效率高的方法,用于在3D医学图像中对解剖结构进行细分.
- 该方法有可能显著提高依赖于精确图像细分的临床任务.
