从三维黑血磁共振成像与稀少的注释使用多维混合模型分段的动脉的细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 心血管疾病研究研究

背景情况:

• 胆道动脉样硬化量化对于心血管事件风险监测和治疗评估至关重要.
• 高分辨率的3D頸動脈MRI提供了擴展的覆蓋,但需要大量的手動分割數以百計的2D圖像.
• 当前的细分方法面临着由扩展的3DMRI覆盖产生的大型数据集的挑战.

研究的目的:

• 开发一种自动化的多维混合框架,用于在3DMRI中对动脉进行细分.
• 通过生成替代地面真相数据来减少对广泛手动细分的需求.
• 为了提高动脉壁和膜细分的准确性和效率,用于临床应用.

主要方法:

• 一个多维的混合框架,结合了3D和2D卷积神经网络 (CNN).
• 自动生成使用兴趣区域 (ROI) U-Net和点U-Net.Net的替代地面真相.
• 一个3D多尺度U-Net用于初始ROI本地化和粗略细分,指导一个2DROIU-Net进行详细细分.
• 整合了3D启动模块和新的损失功能,以提高细分的连续性和准确性.

主要成果:

• 拟议的框架在动脉血管壁细分挑战数据集上显著优于排名最高的解决方案.
• 从3D磁力共振成像 (MRI) 中实现了对动脉外壁和光线进行细分的最先进性能.
• 证明了有效的自动ROI本地化和替代地面真相生成,减少手工工作.

结论:

• 开发的混合框架提供了一种高效和准确的解决方案,用于在3DMRI中对动脉进行细分.
• 这种方法有可能简化患者监测,加快对心血管疾病新疗法的评估.
• 自动化细分方法推进了高分辨率3D喉MRI的临床实用性.