基于深度学习和标记器控制的分水的脊柱X射线图像分割
Yating Xiao1,2, Yan Chen1,2, Yong Zhang3
1School of Information and Communication Engineering, North University of China, Taiyuan, Shanxi Province, China.
Journal of X-ray science and technology
|February 20, 2025
概括
这项研究引入了一种新的深度学习和标记控制的分水方法,用于在脊椎X射线中准确的脊椎细分. 这种方法有效地解决了相邻的脊椎粘附,改善了脊椎疾病的诊断分析.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 脊柱诊断 脊柱诊断 脊柱诊断
背景情况:
- 自动脊椎细分对于客观的脊柱图像分析和诊断脊柱疾病至关重要.
- 由于类间的相似性,类内变异性和相邻部分之间的粘附性,脊椎存在挑战.
- 准确地划分脊椎边界对于可靠的诊断至关重要.
研究的目的:
- 开发一种图像细分方法,克服相邻的脊椎粘附的挑战.
- 在脊柱图像中,确保在相邻的脊椎之间精确划分边界.
- 为了提高临床应用的自动脊椎细分的准确性.
主要方法:
- 一个双路径深度学习模型,结合了定位路径 (HRNet与骨方向损失) 和细分路径 (VU-Net与位置信息感知模块).
- 利用HRNet进行脊椎中心定位和VU-Net进行初步细分,HRNet指导VU-Net.
- 集成的深度学习输出可初始化标记控制的分水算法,用于细分和粘附抑制.
主要成果:
- 该方法在两个不同的脊柱X射线数据集 (宫和整个脊柱) 上得到了验证.
- 实现了高绩效指标:回忆 (96.82%, 94.38%),精确性 (97.24%, 98.14%),子 (97.03%, 96.22%) 和 IoU (94.24%, 92.72%). 这两个指标是:回忆 (96.82%, 94.38%),精确性 (97.24%, 98.14%),子 (97.03%, 96.22%) 和 IoU (94.24%, 92.72%).
- 与现有的最先进的脊椎细分技术相比,表现出卓越的性能.
结论:
- 拟议的深度学习和标记控制的分水方法有效地细分脊椎,准确地解决相邻的脊椎粘附.
- 这种技术为脊椎疾病诊断的自动脊椎细分提供了重大进展.
- 该方法在医学成像分析中具有很强的临床采用潜力.
