VSNet:血管结构意识网络用于肝脏和门静脉细分
Jichen Xu1, Anqi Dong2, Yang Yang3
1National Key Laboratory of Human-Machine Hybrid Augmented Intelligence, National Engineering Research Center for Visual Information and Applications, and Institute of Artificial Intelligence and Robotics, Xi'an Jiaotong University, Xi'an, China.
Medical image analysis
|February 6, 2025
概括
一个新的AI模型,血管结构感知网络 (VSNet),在CT扫描中准确地对肝血管进行细分,通过捕捉精细的静脉细节来改进术前规划. 这种方法增强了肝脏和门静脉的细分,优于现有的模型.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 从CT扫描中精确细分肝脏和门静脉对于肝脏手术规划至关重要.
- 当前的细分模型往往无法捕捉较小的肝脏和门脉的复杂细节,从而影响临床效用.
研究的目的:
- 引入血管结构感知网络 (VSNet),这是一个新的多任务学习模型,旨在精确细分肝脏和门脉.
- 解决现有模型在捕捉精细血管细节和保持拓正确性的局限性.
主要方法:
- 开发VSNet,这是一个多任务学习模型,包含一个容器生长的解码器.
- 创建和发布迄今为止最大的肝脏和门血管细分数据集,包括303个病例.
- 进行比较实验,评估VSNet与其他领先的细分模型的性能.
主要成果:
- 在拟议的数据集中,VSNet获得了优异的Dice分数:肝静脉0.824分,门静脉0.807分.
- 该模型在现有的流行的细分模型中显示出显著的改进.
- VSNet成功捕获了小静脉的拓特征,并保留了与主要血管的连接.
结论:
- 在CT扫描中,VSNet为肝脏和门脉的自动细分提供了显著的进步.
- 该模型保持船舶连接和捕捉细节的能力对于增强的手术前规划至关重要.
- 公开可用的数据集和源代码促进了医疗图像分析的进一步研究和开发.
