在MRI中使用扩张转移学习的手腕骨的多标签细分
Stefan Raith1,2, Matthias Deitermann2,3, Tobias Pankert1,2
1Department of Oral and Maxillofacial Surgery, University Hospital RWTH Aachen, Aachen, Germany.
Physics in medicine and biology
|January 17, 2025
概括
这项研究引入了一种新的深度学习方法,用于在MRI扫描中对手骨进行细分. 这种方法即使在有限的数据上也能达到高精度,有助于手腕治疗规划和动态分析.
科学领域:
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
- 整形外科 整形外科 整形外科
背景情况:
- 从MRI中精确细分手骨对于手腕治疗计划和动态分析至关重要.
- 现有的深度学习方法通常需要大量的数据集,这些数据集对于特定的解剖结构 (如手骨) 具有挑战性.
研究的目的:
- 开发一种强大的深度学习方法,用于使用小型体内MRI数据集对所有八个手骨进行多标签细分.
- 通过精确的手骨细分,实现精确的治疗规划和手腕动态分析.
主要方法:
- 建议使用修改后的3D U-Net架构进行两阶段的细分管道.
- 第一个阶段采用扩展转移学习 (ETL) 进行专注兴趣区域 (ROI) 的预培训,随后扩展到全视野 (FOV).
- 第二阶段利用ROI界限框进行高精度,标记了八个手骨的细分.
主要成果:
- 拟议的方法实现了所有数据集的平均子相似系数 (DSC) 87.8%,平均表面距离 (ASD) 0.46 mm,和豪斯多夫距离 (HD) 2.42 mm.
- 在对12个数据集应用排除标准后,性能提高到96.1%的DSC,0.16毫米的ASD和1.38毫米的HD.
- 与四种最先进的方法相比,该方法显示出更高的性能.
结论:
- 本文介绍了第一个基于卷积神经网络 (CNN) 的多标签细分方法,用于MRI中的人类手骨.
- 新的ETL技术有效地改善了大型FOV中小ROI的局部化.
- 结合两阶段方法和ETL,尽管数据集规模有限,但产生了非常准确的细分结果.


