3D MFA:一种基于3D多功能注意力的自动化方法,用于使用多阶段网络修剪的脊柱细分.

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:

• 由于复杂的解剖学和成像变异,脊柱细分具有挑战性.
• 不清楚的边界和组织重叠使准确的细分复杂化.
• 现有的方法与各种成像方式和解剖学变异性作斗争.

研究的目的:

• 提出一种新的3D多特征注意力 (MFA) 模型,用于强大的脊柱细分.
• 增强特征表示,以提高细分精度.
• 为了实现最先进的性能,减少计算开销.

主要方法:

• 开发了一种新的3D多特征注意力 (MFA) 模型,用于脊柱细分.
• 标准的MobileNetv3被增强了反向卷积块注意力模块 (RCBAM) 和特征金字塔聚合 (FPP).
• 在轴向,冠状和斜视图上进行单独的训练,然后进行用于3D细分的特征连接.

主要成果:

• 3D MFA 模型在 VerSe 2020 和 VerSe 2019 数据集上实现了高性能.
• 在VerSe 2020上,子系数得分 (DCS) 为96.52%,交叉点在联盟上 (IoU) 为95.84%.
• 在VerSe 2019上,DCS为94.64%,IoU为93.69%,超过了最先进的方法.
• 以较低的计算成本证明了卓越的细分精度.

结论:

• 拟议的3D MFA模型在脊柱细分方面取得了重大进展.
• 该模型有效地处理了解剖学复杂性和成像变化.
• 通过提高效率实现竞争性结果,使其适合临床应用.