双阶段深度学习网络用于双边下肢CT扫描中的自动化股骨细分
Wenqing Xie1,2, Peng Chen1,2, Zhigang Li1,2
1Deparment of Orthopedics, Xiangya Hospital, Central South University, Changsha, 410008, Hunan, China.
Scientific reports
|March 18, 2025
概括
一个新的深度学习网络精确地对下肢CT扫描中的股骨进行细分. 这种两阶段的方法为医学成像分析提供了更快的训练和更高的准确性.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 精确的股骨细分对于诊断和治疗下肢疾病至关重要.
- 现有的细分方法可能耗时且缺乏精度,特别是在复杂的CT数据集中.
研究的目的:
- 开发和评估一种基于深度学习的新型两阶段网络,用于在全下肢CT图像中高效准确地分隔股骨.
- 将拟议网络的性能与现有的单阶段架构 (如 SegResNet 和 TransUnet) 进行比较.
主要方法:
- 开发了一个两阶段的深度学习网络,其中包括最初的兴趣区域划分,随后是语义细分.
- 该网络在100个下肢CT扫描数据集上进行了培训和验证.
- 使用诸如交叉与联盟,平均平均精度,子系数,灵敏度,特异性和像素精度等指标来评估性能.
主要成果:
- 第一个阶段在整个欧盟实现了0.9671的平均交叉点和0.9656.6的平均精度.
- 第二阶段的结果是,平均子系数为0.953,灵敏度为0.965,特异性为0.998,像素精度为0.996.
- 与SegResNet和TransUnet.net相比,拟的两阶段网络显示了更快的融合,更短的推断时间和更高的准确性.
结论:
- 开发的两级网络为医疗成像中的股骨细分提供了高效,准确和自主解决方案.
- 该模型需要适度的计算资源,表明可扩展性和临床适用性的巨大潜力.
- 这种工具可以推进股骨图像细分,并支持医疗保健中的诊断工作流程.
