mm3DSNet:用于肝胆道CT扫描的多尺度和多料前进自我注意3D细分网络

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 手术规划 手术规划

背景情况:

• 肝胆道树的精确3D重建对于手术前的规划至关重要.
• 图像细分是这个重建过程中的关键步骤.
• 目前的细分方法可能缺乏复杂解剖结构所需的精度.

研究的目的:

• 开发一种新的3D U-Net变体,用于精确的肝胆道CT图像细分.
• 增强语义和空间特征提取,以提高细分精度.
• 为平衡的voxel和边缘细分引入一个边界感知损失函数.

主要方法:

• 一个新的3D U-Net变体,包含一个3D编码器-解码器和一个3D多次前自我注意模块 (MFSAM).
• 整合3D ConvNeXt块,以有效地提取语义和空间特征.
• 开发一个边界意识的重叠交叉损失,结合交叉,子和边界损失.

主要成果:

• 提出的方法实现了76.54%的子得分和6.56.6的豪斯多夫距离 (HD).
• 实验结果表明,与现有的深度学习网络相比,其性能优越.
• 该方法的性能优于没有广泛经验的放射科医生的细分.

结论:

• 新的3D U-Net变体与MFSAM和边界意识损失有效地在CT扫描中对肝胆道进行细分.
• 这种方法显示出在肝胆外科手术中改善术前规划的巨大潜力.
• 该方法为手动细分和现有的自动化技术提供了一个有希望的替代方案.