一种依赖于设备的自动细分方法,基于综合的通用和单个设备数据集
Hyeongjin Lim1, Yongha Gi1, Yousun Ko1
1Department of Bio-medical Engineering, Korea University, Seoul, Republic of Korea.
Medical physics
|December 19, 2024
概括
结合通用和单一CT扫描仪数据集,提高了自动细分模型的性能. 基于设备的数据集模型 (DDSM) 在未见的扫描仪的关键指标中超过了基于通用的数据集模型 (GDSM).
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 计算机断层扫描 (CT) 的通用自动细分模型显示出希望,但由于设备特定的特性,与未见的扫描仪进行斗争.
- 设备依赖的图像特征对跨扫描仪医疗图像分析提出了挑战.
研究的目的:
- 使用组合数据集评估一个设备依赖的自动细分模型.
- 通过整合一般化和单一CT扫描仪数据来研究性能改进.
主要方法:
- 训练了两个模型:GDSM (通用数据集) 和DDSM (通用+单个扫描器数据集) 用nnU-Net.Net对21个器官进行了训练.
- 在未见的单个CT扫描仪数据上使用子相似系数 (DSC),豪斯多夫距离 (HD) 和平均对称表面距离 (ASSD) 评估模型.
- 使用变体指标 (DSCdiff,HDratio,ASSDratio) 进行器官特异性性能比较.
主要成果:
- 与GDSM相比,DDSM实现了较高的平均DSC (0.9323对比0.9251),较低的平均HD (9.139毫米对比10.66毫米),以及较低的平均ASSD (0.6656毫米对比0.8318毫米).
- 与GDSM相比,DDSM显示了0.78% (DSC),14% (HD) 和20% (ASSD) 的性能改善.
- 对于变异指标 (DSCdiff,HDratio,ASSDratio),DDSM在大多数器官中表现优越.
结论:
- 将通用和单个扫描器数据集结合起来,可以提高特定设备的自动细分模型性能.
- 基于设备依赖的数据集模型 (DDSM) 为不同CT扫描仪的医疗图像细分提供了更高的准确性和稳定性.


