3D细分结合了内动脉瘤的空间和多尺度特征

科学领域:

• 医学成像分析 医学成像分析
• 医疗保健中的人工智能
• 神经外科支持神经外科支持

背景情况:

• 内动脉瘤的传统诊断依赖于经验丰富的医生对放射性成像的主观和低效的解释.
• 人类评估的局限性可能导致诊断错误,包括误诊和错误诊断.

研究的目的:

• 为了提高内动脉瘤的诊断效率.
• 在临床实践中尽量减少误诊和错误诊断率.

主要方法:

• 开发SMNet,一个基于U-Net架构的3D细分网络.
• 使用多尺度特征提取 (MSE) 块和条形体积聚合 (SVP) 块整合空间和多尺度特征.
• 通过四次空间注意力 (QSA) 块来改进特征表示的精细化,以改善歧视.

主要成果:

• 在私人和公共 (ADAM) 数据集上,SMNet在细分性能方面取得了显著的改进.
• 与私人数据集的基线相比,达到了16.7%的子和28%的MIoU的增加.
• 在细分质量方面表现优于主流的3D医疗图像细分模型.

结论:

• 拟议的SMNet模型从MRA图像中显著增强了内动脉瘤细分.
• 促进了计算机辅助诊断和神经外科治疗的进步.