隐含是不够的:在地标定位模型中明确地强制执行解剖学先验

科学领域:

• 医学成像分析 医学成像分析
• 计算机辅助诊断 计算机辅助诊断
• 医疗保健中的机器学习

背景情况:

• 准确的解剖学地标定位 (ALL) 对于治疗计划和自动图像分析等医疗应用至关重要.
• 目前针对ALL的深度学习方法可以产生异常预测,对后续的医疗任务产生负面影响.
• 现有的方法依赖于隐含的解剖学约束,这对于强大的ALL来说是不够的.

研究的目的:

• 开发一种明确强制执行解剖学约束的方法,以实现更强大的ALL.
• 为了减少医疗图像分析中有害的异常预测的发生.
• 在临床应用中提高解剖学地标定位的可靠性.

主要方法:

• 提出了全球解剖学可行性过和分析 (GAFFA) 方法,这是一个端到端可训练的方法.
• GAFFA通过通过可微分马尔科夫随机场 (MRF) 近似来整合先前的解剖学知识来完善U-Net初始化.
• 为了高效地解决MRF,使用了总和积算法的单个代.

主要成果:

• 与现有的里程碑性精炼技术相比,GAFFA表现优越.
• 该方法在显著异常值方面比X射线手部数据集上的最先进方法更可靠.
• 对GAFFA的解剖学约束的可视化发现了一个以前未报告的注释错误.

结论:

• 通过利用明确的先前知识,GAFFA有效地减少了解剖学里程碑定位异常值.
• 拟议的方法提高了ALL在关键医疗应用中的可靠性.
• 在医学成像中,GAFFA为解剖学里程碑定位提供了更强大,更准确的解决方案.