在3D脊柱超声波中以解剖学为灵感的模型为关键地标定位,用于3D脊柱超声波体积数据

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 整形外科 整形外科 整形外科

背景情况:

• 三维 (3D) 脊柱超声提供无辐射成像,用于查和监测青少年异常学脊椎病 (AIS).
• 检测脊椎旋转,一个关键的AIS指标,是传统方法的挑战,但可以使用3D超声波地标.
• 在3D超声波中,叶膜局部化对于准确的脊椎旋转测量至关重要.

研究的目的:

• 开发一种新的定位网络 (LLNet) 来从3D脊柱超声数据中精确地提取膜.
• 在AIS评估中提高脊椎旋转测量的准确性和效率.
• 增强计算机辅助诊断系统用于3D脊柱超声波成像.

主要方法:

• 提出了一个本地化网络 (LLNet),结合了解剖学前嵌入分支,以利用板状和状过程之间的相关性.
• 实施了优化机制,以减轻在特征提取过程中丢失的信息,以检测像片这样的小目标.
• 利用在跳过连接上修改的全球-本地注意模块来捕获全球依赖和上下文信息.

主要成果:

• 在3D超声数据中,LLNet实现了百分之百的磁层检测成功率.
• 与其他检测模型相比,平均交叉与结合 (IoU) 改进了8.9%.
• 废弃性研究证实了拟议的功能模块对模型性能的重大贡献.

结论:

• 开发的LLNet精确地从3D脊柱超声波中提取膜片,优于现有的检测模型.
• 这种由人工智能驱动的方法显示出在AIS管理中推进计算机辅助诊断的重大前景.
• 3D超声波的无辐射性质与精确的叶片定位相结合,可促进早期查和纵向随访.