用双路径融合网络进行内动脉瘤细分
Ke Wang1, Yong Zhang1, Bin Fang1
1College of Computer Science, Chongqing University, Chongqing 400038, China.
Bioengineering (Basel, Switzerland)
|February 26, 2025
概括
一个新的深度学习模型,双路径融合网络 (DPF-Net),通过保留详细信息来改善内动脉瘤 (IA) 的自动细分. 这提高了这些关键血管疾病的诊断精度.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 神经外科和神经病学 神经外科和神经病学
背景情况:
- 内动脉瘤 (IA) 是普遍存在的,危及生命的血管疾病.
- 正确的IA诊断受到其小尺寸和可变形态的挑战.
- 对IA的自动细分对于诊断精度至关重要,但当前的深度学习方法往往会丢失详细信息.
研究的目的:
- 引入一个先进的深度学习架构,双路径融合网络 (DPF-Net),用于精细的内动脉瘤细分.
- 改进在IA细分模型中纳入详细的形态信息.
- 为了提高自动化IA诊断的准确性和稳定性.
主要方法:
- 开发了双通道融合网络 (DPF-Net),具有保留分辨率的细节分支,以最大限度地减少信息丢失.
- 集成了一个交叉融合模块来连接语义和详细功能.
- 采用了用于多尺度特征融合的细节聚合模块和视图融合策略,以减轻空间干扰.
主要成果:
- 在IA细分的CADA数据集上,DPF-Net实现了0.8967的平均子相似系数 (DSC).
- 在BraTS 2020脑瘤细分MRI数据集上表现出强大的性能,达到0.8535.5的平均DSC.
- 该网络有效地保存和融合了详细信息,提高了细分质量.
结论:
- 通过整合详细信息,DPF-Net显著改善了内动脉瘤的自动细分.
- 该模型的性能突显了其在自动化IA诊断中临床应用的潜力.
- 在不同的医学成像细分任务中,DPF-Net显示了可通用性和稳定性.
