通过使用3D U-Net在超声波体积中改善肝血管网络的细分,并以强度转换为基础的数据增强

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 肝血管网络的精确3D细分对于肝脏疾病中的超声波介导治疗术至关重要.
• 超声波图像质量问题,如强度和对比度波动,阻碍了基于深度学习的细分.
• 现有的深度学习方法在与超声数据固有的变性作斗争.

研究的目的:

• 引入和评估基于强度转换的数据增强技术,以增强3D肝血管网络细分.
• 为了提高3DU-NET模型的性能,从超声波体积对肝血管进行细分.
• 为了应对超声波图像质量变化带来的挑战.

主要方法:

• 使用3D U-Net架构作为细分的基线模型.
• 实施数据增强策略,包括高对比度和低对比度强度转换 (S形,马曲线).
• 验证了78个超声卷的方法,评估了几何和基于强度的增强.

主要成果:

• 高对比强度增强降低了细分精度.
• 低对比度强度增强显著改善了回忆和子分数.
• 将几何和低对比度强度增强相结合,使得回忆能增加9.7%,子能增加3.3%.

结论:

• 以低对比强度转换为基础的数据增强对于改善超声波的肝血管网络细分是有效的.
• 结合几何和低对比强度增强,为细分精度提供了协同效益.
• 拟议的方法提高3D细分的可靠性,用于肝脏疾病的治疗.