单个骨模型器:深度学习骨细分用于形光束CT
概括
在复杂的骨科扫描中,一个新的深度学习工作流精确地分割骨头. 使用U-Net和多平面训练的单骨建模器 (SBM) 显著提高了精度,为更好的手术规划提供了更好的准确性.
科学领域:
- 骨科成像和计算解剖学.
- 医疗图像分析和深度学习应用.
- 用于手术规划的3D建模.
背景情况:
- 准确的骨分割对于骨科诊断和手术规划至关重要.
- 传统的方法在形束计算断层扫描 (CBCT) 中与复杂结构作斗争.
- 现有的技术对于详细的四肢骨分析缺乏精度.
研究的目的:
- 引入一种新的深度学习工作流程,即单个骨模型 (SBM),用于在CBCT扫描中精确的骨细分.
- 开发和评估U-Net架构,以提高骨细分的准确性.
- 为了比较CBCT数据的不同训练策略 (轴向 vs 多平面).
主要方法:
- 开发了一个U-Net架构用于骨分段,与SegNet相比.
- 对于CBCT数据,评估了轴向和多平面训练策略.
- 骨分离使用分水算法,然后进行3D建模.
主要成果:
- 经过多平面策略训练的U-Net模型实现了卓越的细分性能.
- 取得的杰卡德指数 (JI) 是0.941±0.031和子系数 (DC) 是0.970±0.015.
- 在SBM工作流程中,与基准方法相比,在隔离特定骨方面取得了显著的改进.
结论:
- 单骨建模器 (SBM) 工作流程提高了从高分辨率CBCT扫描中细分骨的精度.
- 拟议的深度学习方法提供了可靠和高效的四肢骨细分.
- 结果表明,通过增强的成像分析,可以改善骨科应用的潜力.


