利用深度学习在骨计算机断层扫描中自动细分尾细胞.
Zhenhua Li1, Langtao Zhou2, Songhua Tan3
1Department of Otorhinolaryngology-Head and Neck Surgery, Hunan Provincial People's Hospital, The First Affiliated Hospital of Hunan Normal University, Changsha, Hunan, PR China.
Acta radiologica (Stockholm, Sweden : 1987)
|January 22, 2025
概括
深度学习模型可以在骨CT扫描中自动细分带,提高耳部外科手术的准确性. SegResNet模型在区分正常和异常的耳图像方面表现出卓越的性能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 耳鼻喉科 耳鼻喉科 耳鼻喉科
背景情况:
- 在骨计算机断层扫描 (CT) 中精确细分尾,对于图像引导的耳科手术至关重要.
- 手动细分是一个耗时和劳动密集型的过程,阻碍了临床效率.
研究的目的:
- 评估深度学习模型在骨CT中自动化耳细分的有效性.
- 评估模型区分正常和异常耳图像的能力.
主要方法:
- 在骨CT数据集上训练和测试了三种深度学习模型 (3D U-Net,UNETR,SegResNet).
- 数据集包括不同CT类型 (GE 64,GE 256,SE-DS) 的正常和异常耳样本.
- 使用子相似系数 (DSC) 和豪斯多夫距离 (HD) 评估了表现.
主要成果:
- 在训练期间包含异常的耳图像时,模型的性能得到了改善.
- SegResNet实现了最高的性能,在测试组中平均DSC为0.94和HD为0.16毫米.
- 特定CT类型的性能略有差异,GE 256 CT的DSC值为0.95,SE-DS CT的DSC值为0.94.
结论:
- SegResNet模型是一种可行的,准确的工具,用于在骨CT中实现自动化耳细分.
- 基于深度学习的细分提供了一种更有效的替代方法,用于手工方法的耳科手术规划.


