对于干预性腹部血管学细分 UniverSeg 的验证

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 血管疾病的评估.

背景情况:

• 血管结构的自动细分对于血管疾病的评估至关重要.
• 目前的深度学习模型缺乏对干预血管学数据的验证.

研究的目的:

• 通过使用UniverSeg模型进行上下文学习来研究血管图谱细分的可行性.
• 评估UniverSeg在没有先前血管学培训的干预光学数据上的表现.

主要方法:

• 对234名接受乳轴干预光学手术的患者进行了回顾性审查.
• 选择303张最大对比度图像进行细分和二进制面具创建.
• 在五倍嵌套的交叉验证中使用上下文学习测试UniverSeg,根据动脉直径和分叉数量分析性能.

主要成果:

• 子相似系数为59.9%至78.7%的动脉直径下降.
• 平衡的平均豪斯多夫距离在0.71到1.16像素之间.
• 随着支类大小,船体直径和减少的分叉,性能有所改善,在N=51.1时平稳.

结论:

• UniverSeg已被验证用于干预性光镜手术中的动脉细分.
• 这些发现支持使用UniverSeg用于血管疾病建模和成像研究.
• 在语境学习证明了跨学习模型在专门的医学成像任务中的潜力.