跨RAUNet:一个深度神经网络与反向注意模块使用HU窗口增强强健的肝脏血管细分在CT图像的全分辨率的深度神经网络

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 手术规划 手术规划

背景情况:

• 肝癌是一个全球性的健康挑战,死亡率很高.
• 在CT扫描中手动细分肝血管对于手术规划至关重要,但耗时且劳动密集.
• 开发用于肝血管细分的自动化方法对于提高手术效率和患者治疗结果至关重要.

研究的目的:

• 开发一种基于深度学习的准确和强大的方法,用于自动细分肝血管.
• 解决当前方法的局限性,特别是关于图像变化的稳定性和细血管结构的细分.
• 通过精确的肝血管和瘤细分来增强外科导航.

主要方法:

• 拟议的TransRAUNet架构是TransUNet的修改,包含了一个新的反向注意力模块 (RAM).
• 实施了一个数据增强策略,使用不同的Hounsfield Unit (HU) 窗口值来提高图像亮度和对比度的稳定性.
• 该RAM模块被集成到升级采样阶段,以加强边缘信息并最大限度地减少错误负面,特别是对于小型船舶.

主要成果:

• 通过TransRAUNet模型,在肝血管细分的3Dricadb数据集上,实现了0.948的子相似系数 (DSC) 和0.944的灵敏度.
• 提出的HU窗口增强方法与没有增强和一般增强技术相比,显示出更高的稳定性和有效性.
• 废除研究证实了RAM模块提供的性能提升,优于基线TransUNet和其他最先进的方法.

结论:

• TransRAUNet在自动化肝血管细分方面取得了重大进展,提高了准确性和效率.
• 新的增强策略和RAM模块有助于在不同的图像条件下实现强大的性能.
• 使用TransRAUNet精确的肝血管和瘤细分预计将有助于肝切除手术的导航.