SegFormer3D:提高基于深度学习模型的图像分割在儿科部超声卷中的稳定性

科学领域:

• 整形外科 整形外科 整形外科
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 部发育性形 (DDH) 影响1-3%的新生儿,如果不治疗,可能会导致长期残疾.
• 目前的诊断依赖于手动的2D超声波测量,这耗时且容易出现错误.
• 使用3D超声波进行深度学习,有望提高DDH的度量准确性,但缺乏临床使用的稳定性.

研究的目的:

• 量化评估DDH目前最先进的3D超声波骨段的稳定性.
• 提出和验证一种新的3D深度学习模型,以提高DDH诊断的准确性和稳定性.

主要方法:

• 对卷积神经网络和视觉转换器模型进行评估,以确定3D超声波骨段的稳定性.
• 用层次结构编码器开发SegFormer架构的3D扩展.
• 对临床儿科患者数据的拟议模型的定量评估,包括分辨率和解剖学的变化.

主要成果:

• 鉴定了当前深度学习模型的局限性,在常见数据变异下显示失败.
• 拟议的3D SegFormer扩展显示了更好的准确性和稳定性.
• 在未见的数据变化上,与最先进的方法相比,达到了高达0.9%的子得分和3%更小的豪斯多夫距离95%.

结论:

• 目前用于DDH的自动化3D超声波细分需要加强临床部署的稳定性.
• 拟议的3D SegFormer模型为使用3D超声波诊断DDH提供了更准确和可靠的方法.
• 这一进步有可能提高儿科骨科的诊断效率和患者的治疗结果.