骨架引导的3D卷积神经网络用于管状结构细分
Ruiyun Zhu1, Masahiro Oda2,3, Yuichiro Hayashi2
1Graduate School of Informatics, Nagoya University, Furo-cho, Chikusa-ku, Nagoya, Aichi, Japan. rzhu@mori.m.is.nagoya-u.ac.jp.
International journal of computer assisted radiology and surgery
|September 12, 2024
概括
这项研究引入了一种新的3D深度学习网络,该网络使用骨架信息来改善医学成像中复杂的管状结构的细分. 骨架导向网络在CT扫描中的气道和腹动脉细分方面表现出卓越的准确性.
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:
- 管状结构的精确细分对于临床应用至关重要,但由于其复杂性和数据不平衡而受到阻碍.
- 现有的方法在3D医学图像中难以处理复杂的分支和不同尺寸的管状结构.
研究的目的:
- 开发一个包含骨架信息的3D深度学习网络,以增强管状结构的细分.
- 提高医学成像中细分具有挑战性的解剖特征的准确性和稳定性.
主要方法:
- 使用3D卷积神经网络从体积CT图像中提取特征.
- 集成了一个新的骨架引导模块,用于在细分过程中保存和利用骨架信息.
- 为了有效的训练,提出了一种适应西格体的特维斯基损失函数,专门为骨细分量身定制.
主要成果:
- 对胸部和腹部CT数据集进行了实验,分别涉及90例和35例.
- 拟议的方法在两个数据集上显著优于以前的细分方法.
- 实现了高性能指标,包括93.0%的气道树长率和97.7%的腹动脉精度.
结论:
- 一个由骨架引导的3D卷积网络已成功开发,用于在3D医学图像中对管状结构进行细分.
- 拟议的网络有效地分割了小型和复杂的管状结构,超过了现有方法的性能.
