一个双解码器带的卷积注意网络用于超声波图像中的骨细分
Chuanba Liu1,2, Wenshuo Wang1, Rui Sun1
1Key Laboratory of Mechanism Theory and Equipment Design of Ministry of Education, Tianjin University, Tianjin, China.
Medical physics
|December 9, 2024
概括
一个新的深度学习模型,BCA-Net,增强了计算机辅助骨科手术 (CAOS) 的超声波 (美国) 图像中的骨细分. 这种方法提高了准确性和效率,优于精确的骨结构提取的传统技术.
科学领域:
- 医疗成像医学成像
- 整形外科手术 整形外科手术
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 超声波 (美国) 影像为计算机辅助骨科手术 (CAOS) 提供非辐射,成本效益和便携性的优势.
- 对于传统和现有的深度学习方法,由于特征学习和先前知识集成的局限性,在低质量的美国图像中精确的骨细分仍然具有挑战性.
研究的目的:
- 调查骨图像的特征提取和细分方法.
- 提出一个创新的卷积神经网络,用于精确和高效的骨结构提取在CAOS.
主要方法:
- 开发了一个双解码器带卷积注意网络 (BCA-Net),使用多尺度带卷积内核,根据美国图像中的骨表面特征.
- 该网络集成了一个共享的编码器和两个解码器,用于骨表面和影子面具,结合了新的任务一致性损失.
- 使用了1623张美国图像的数据集,并进行了五倍交叉验证;使用诸如子系数,距离误差和计算效率等指标评估了性能.
主要成果:
- 在骨表面细分方面,BCA-Net实现了87.51%的平均子系数,超过U-Net的4.04%.
- 与U-Net相比,该模型显示了较低的平均距离误差 (0.2 mm) 和更好的边界识别.
- BCA-Net与手动标记显示出很高的一致性 (Dice>98%在1.02毫米值) 并表现出很好的计算效率 (35.85 fps) 与小的参数数量 (5.58 M).
结论:
- 拟议的BCA-Net实现了高精度和高效率的骨细分从美国图像.
- 该方法符合CAOS的临床要求.
- 在骨科手术中,BCA-Net显示了推动美国成像技术在骨科手术中的应用的巨大潜力.


