评估人工智能驱动的连续细分对截面图像的准确性,应用于用三维重建进行形态研究的三维重建
Satoru Muro1, Takuya Ibara2, Yuzuki Sugiyama1
1Department of Clinical Anatomy, Graduate School of Medical and Dental Sciences, Institute of Science Tokyo, 1-5-45 Yushima, Bunkyo-ku, Tokyo 113-8510, Japan.
Microscopy (Oxford, England)
|February 14, 2025
概括
人工智能 (AI) 模型SAM-Track在细分解剖学和组织学结构方面显示了中等到良好的准确性,提高了3D重建中的研究效率. 这个人工智能工具通过自动化细分任务来帮助形态学研究.
科学领域:
- 医疗成像医学成像
- 计算解剖学的计算解剖学
- 人工智能在医学中的应用
背景情况:
- 三维 (3D) 重建对于解剖学和组织学研究至关重要,但由于耗时的手工细分而经常受到阻碍.
- 人工智能 (AI) 为自动化和提高细分流程效率提供了潜在的解决方案.
研究的目的:
- 评估基于人工智能的细分和跟踪模型SAM-Track对解剖和组织结构的准确性.
- 探索AI在提高3D重建研究效率方面的潜力.
主要方法:
- SAM-Track被用于细分计算机断层扫描 (CT),磁共振成像 (MRI) 和尸体截面的解剖学和组织学结构.
- 使用Dice相似系数量化细分精度,将人工智能生成的面具与手动细分进行比较.
- 分段图像在3D中重建,以评估形状的真实性.
主要成果:
- 对于CT和MRI,SAM-Track显示了可变的准确性 (Dice分数为0.13-0.83),对于清晰边缘结构 (例如,大腿骨,肝脏) 的得分更高.
- 组织学断面显示出高准确度 (例如,小腿骨0.95,胰腺0.90),特别是对精确划分的组织.
- 追踪像动脉和静脉这样的分支结构的成功率较低 (0.72,0.52).
结论:
- 使用SAM-Track的基于人工智能的自动细分为各种不同的解剖和组织结构提供了中等到良好的准确性.
- 该模型显示了提高需要3D重建的形态研究效率的承诺.
- 为了在软组织和复杂的血管网络上获得最佳性能,可能需要进一步开发.
