基于卷积神经网络的胸部X射线图像的动态肺场三阶段注册管道

科学领域:

• 医疗成像医学成像
• 放射学 放射学是一门学科.
• 计算机视觉 计算机视觉

背景情况:

• 胸部X射线 (CXR) 成像对于诊断肺部疾病至关重要.
• 在CXR图像中准确地记录动态肺场对于定量分析至关重要.
• 像AC-RegNet这样的现有注册架构显示出希望,但需要针对特定的肺部领域应用进行改进.

研究的目的:

• 在CXR图像中开发动态肺场的高级注册模型.
• 增强解剖学上受约束的注册网络 (AC-RegNet) 的功能,以进行精确的肺场分析.
• 为了使动态肺场变化的定量临床分析.

主要方法:

• 为CXR图像中的动态肺场开发了一个全自动的三级注册管道.
• 使用预训练的细分模型生成动态肺场面罩.
• 一个肺场抽象模型从面具和CXR数据创建了动态肺场图像.
• 一种三步培训方法完善了AC-RegNet,从而产生了AC-RegNet_V3模型.

主要成果:

• 该AC-RegNet_V3模型实现了高精度,平均子相似系数 (DSC) 为0.993.
• 与基线方法相比,平均DSC (高达7.4%),平均豪斯多夫距离 (HD),平均对称表面距离 (ASSD) 和平均平方距离 (MSD) 均有显著改善.
• 统计分析证实了这些改善的意义 (p < 0.0001).

结论:

• 拟议的三阶段注册管道有效地进行动态肺部现场注册.
• AC-RegNet_V3显示了CXR肺领域的注册准确度的显著改善.
• 这种方法为临床应用提供了有前途的工具,例如肺气流检测和空气捕获分析.