通过深度学习在头部影像光镜图像中自动定位解剖标志
Wilbur Ks Fum1,2,3, Mohammad Nazri Md Shah1,2, Raja Rizal Azman Raja Aman1,2
1Department of Biomedical Imaging, Faculty of Medicine, Universiti Malaya, Kuala Lumpur, Malaysia.
Medical physics
|August 14, 2024
概括
一个新的深度学习模型准确地识别了2D头部光镜图像上的3D解剖学地标. 这一进步对于个性化患者剂量测量和在光学指导干预 (FGI) 期间提高安全性至关重要.
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:
- 光学指导干预 (FGI) 携带长时间辐射暴露的风险.
- 目前的系统缺乏精确的患者暴露区域数据,阻碍了个性化剂量测量.
- 准确的患者特异性剂量测量对于提高FGI期间的安全性至关重要.
研究的目的:
- 开发一种深度学习 (DL) 方法,用于自动定位3D解剖学地标.
- 焦点是随机合和放大2D头部光镜图像.
主要方法:
- 一个DL模型被训练在80万合成的2D头部图像来自CT数据.
- 培训包括动态随机裁剪和噪声添加,以模拟临床条件.
- 该模型在合成和临床光学数据集上进行了评估.
主要成果:
- DL模型在检测2D和3D地标时,在10毫米的误差范围内实现了高精度 (在合成数据上分别为96.4%和92.5%).
- 它在临床光镜图像上显示了3.6 ± 2.3mm的平均辐射误差.
- 该模型成功估计了头骨形状和地标位置.
结论:
- 开发的深度学习模型有效地定位了解剖学地标,并从二维光镜视图中估计了骨结构.
- 这种技术可以帮助确定FGI患者特定器官剂量计的辐射暴露区域.
- 这些发现支持通过干预程序的个性化剂量计来提高患者的安全性.
