基于深度学习的混合现实基础设施,医疗图像细分和使用DCU-Net的骨瘤3D可视化
Kun Wang1, Yong Han2, Yuguang Ye3,4,5
1Institute of Design, Quanzhou Normal University, Quanzhou 362000, China.
Journal of bone oncology
|January 22, 2025
概括
一个新的深度学习模型,DCU-Net,增强了3D骨瘤细分和重建的准确性. 这提高了使用混合现实的临床医生手术规划和空间理解,提高了诊断和治疗的有效性.
科学领域:
- 瘤成像学成像学
- 医疗图像分析 医学图像分析
- 3D重建重建的3D重建
背景情况:
- 精确的细分和2D图像的骨瘤的3D建模对于诊断和治疗至关重要.
- 现有的方法难以区分瘤和周围组织,影响准确性和稳定性.
研究的目的:
- 开发一个先进的深度学习模型 (DCU-Net) 以改善瘤图像细分和骨瘤的3D重建.
- 探索混合现实 (MR) 基础设施的应用,将深度学习细分与MR集成为骨瘤诊断和治疗.
主要方法:
- 一个具有双维缩小和通道注意门 (DCU-Net) 的U-Net模型被优化为特征提取和目标空间集群.
- 实验使用医院数据集进行骨瘤细分和3D重建,使用DSC,R,P和VDE进行评估.
- 临床检查比较了2D图像查看与MRI基础设施,以使用利克尔特尺度 (LS) 进行手术规划的有效性.
主要成果:
- DCU-Net模型实现了超过90%的细分性能指标 (DSC,R,P),表现优于U-Net和Attention-U-Net.
- 3D重建在反映个体瘤特征方面表现出高保真度.
- 与2D方法相比,使用基于DCU-Net的MR系统的临床医生在术前规划方面表现出更强的空间意识.
结论:
- 该DCU-Net深度学习模型显著改善瘤CT图像细分和3D模型重建的准确性.
- 集成的MR系统增强了临床医生对瘤形态和空间关系的理解,显示了临床实践的巨大潜力.
- 预计这种方法将促进骨瘤诊断和治疗的进步,最终改善患者的治疗结果.
