相关实验视频
Updated: Jun 9, 2025
03:40
Three-Dimensional Printing of a Complex Aortic Anomaly
Published on: November 1, 2018
6.6K
在3D超声波图像中基于深度学习的腹腔大动脉动脉瘤和内血栓的细分
Arjet Nievergeld1,2, Bünyamin Çetinkaya3,4, Esther Maas1,2
1PULS/e group, Department of Biomedical Engineering, Eindhoven University of Technology, De Rondom 70, 5612 AP, Eindhoven, The Netherlands.
Medical & biological engineering & computing
|October 24, 2024
概括
深度学习在超声波图像中改善了腹腔大动脉瘤 (AAA) 和内血栓 (ILT) 的细分. 基于CT的培训产生了卓越的结果,提高了未来破裂风险分析的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 心血管外科心血管外科
背景情况:
- 超声波 (US) 影像对患者特异性腹腔大动脉动脉瘤 (AAA) 破裂风险分析至关重要.
- 对AAA几何和内血栓 (ILT) 的准确细分至关重要,但由于对比度较低,在美国具有挑战性.
- 深度学习为时间分辨率3D+t US图像的改进细分提供了潜力.
研究的目的:
- 通过使用深度学习方法在3D+t US图像中增强AAA和ILT的细分.
- 为美国低对比度数据确定最佳的训练策略.
- 为了评估深度学习细分的性能与基于CT的地面真相相对比.
主要方法:
- 一个"没有新网络" (nnU-Net) 深度学习模型被训练在3D+t US数据上.
- 培训使用了基于美国或共同注册的基于CT的注释.
- 该研究研究了增强策略和包括低对比度区域,对CT几何学验证结果.
主要成果:
- 在基于CT的面具上训练的nnU-Net模型表现出卓越的性能.
- 与美国培训相比,该模型实现了更好的DICE指数,豪斯多夫距离和直径精度.
- 经过CT训练的模型实现了容器的平均豪斯多夫距离为4.4毫米,而灯光的平均距离为7.8毫米.
结论:
- 深度学习,特别是当使用基于CT的面具进行训练时,可以显著改善3D+t US图像中的AAA和ILT细分.
- 与传统方法相比,这种方法提供了更高的准确性和更少的手动输入.
- 需要进一步改进美国的图像采集,以提高光-ILT接口的可见性,以便在AAA破裂风险评估中更广泛的临床应用.
