基于网状回归的形状增强操作器,设计用于器官细分

科学领域:

• 医疗图像分析 医学图像分析
• 计算机视觉 计算机视觉 计算机视觉
• 计算解剖学的计算解剖学

背景情况:

• 器官划分对于医学诊断和治疗计划至关重要.
• 当前的神经网络方法实现了高细分指标,但由于忽视了解剖学先验,因此与模糊的界限作斗争.
• 解剖学信息对于精确的器官细分至关重要,模仿专家放射科医生的方法.

研究的目的:

• 提出基于网状回归的形状增强操作员来改进器官细分面具.
• 为了解决目前基于像素的细分方法中模糊边界的限制.
• 将解剖学先验整合到细分精制过程中.

主要方法:

• 提出了一个网格回归运算符,将轮精细化建模为网格顶点回归任务.
• 运营商从任何现有模型中改进粗细分面具.
• 图形卷积神经网络使用快点特征直方图预测顶点位移,进化网格以改善细分轮.

主要成果:

• 拟议的运营商显著改善了肝脏和胰腺划分的公共数据集上的器官细分性能.
• 验证证明了两阶段细分管道在根据几何特征提炼结果的有效性.
• 形状增强操作员被证明是插即用,与各种骨干细分模型兼容.

结论:

• 基于网状回归的形状增强操作员通过结合解剖学先验,有效地改进了器官细分.
• 这种方法克服了基于像素的分类的局限性,产生更准确的细分轮.
• 该方法在医学图像分析和细分方面显示出显著的承诺和应用前景.