CBCT投影领域金属细分用于金属文物减少,使用黑森灵感的双编码网络,从细分任何模型的指导下进行细分

科学领域:

• 医疗成像医学成像
• 医疗保健中的人工智能
• 图像处理 图像处理

背景情况:

• 金属文物显著降低形光束计算机断层扫描 (CBCT) 图像质量,这是医学成像中的一个常见问题.
• 当前的金属工件减少 (MAR) 方法经常与精确的金属细分作斗争,这是插值的关键前体.
• 深度学习 (DL) 分段方法受到手动注释投影数据中的金属痕迹的高成本的阻碍.

研究的目的:

• 开发一个实用的深度学习工作流程,用于CBCT投影数据中的金属痕迹细分.
• 为了实现基于DL的金属痕迹细分,而不需要手动划分地面真相,克服注释成本障碍.

主要方法:

• 为CBCT投影域金属细分引入黑森启发的双编码网络 (HIDE-Net).
• 整合了赫森固有价值模块,以结合对金属物体的先验知识.
• 使用双编码器和输入增强模块,以提高特征提取和细分精度.
• 实现基于分段任何模型 (SAM) 的标签预处理模块,用于自动化培训标签生成.

主要成果:

• 与现有的CNN模型相比,HIDE-Net在数字幻影和临床CBCT数据集上展示了卓越的金属细分精度.
• 拟议的方法在MAR的投影域中实现了Dice指数3.2%的改进.
• 在图像域中观察到根平均平方误差 (RMSE) 显著减少42%.

结论:

• 开发的HIDE-Net为CBCT中的金属细分提供了有效的解决方案,推进了MAR技术.
• 这种自动化方法有可能提高手术内CBCT在微创手术 (MISS) 中的效用.
• 工作流程有助于在图像引导干预中更广泛地采用先进的成像技术.