通过边缘检测和深度学习集成来提高胸部X射线图像语义细分的准确性

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 放射学 放射学是指放射学

背景情况:

• 胸部X射线中解剖结构的准确细分对于诊断心胸疾病至关重要.
• 深度学习方法经常面临低对比度和重叠结构的挑战,导致细分工件.

研究的目的:

• 通过将轮检测与U-net深度学习架构集成,为胸部X射线图像开发一种新的细分方法.
• 为了提高细分关键解剖结构的准确性和稳定性,包括肺,心脏和关节骨.

主要方法:

• 采用索贝尔和夏尔边缘检测过器进行预处理,以增强结构边界.
• 使用U-net深度学习模型在轮检测预处理后进行细分.
• 训练模型在胸部X射线图像中识别肺部,心脏和关节骨.

主要成果:

• 与基线U-net模型相比,Sobel运营商显著提高了细分精度.
• 在肺部 (99.26%),心脏 (99.47%) 和关节骨 (99.79%) 细分方面取得了高精度.
• 通过拟议的边缘增强方法,证明了卓越的子系数和贾卡德指数.

结论:

• 将轮检测与U-net集成,可以在具有挑战性的胸部X射线区域中提高细分质量.
• 索贝尔运算符在边界增强方面特别有效,减少了细分工件.
• 这种方法为放射学中计算机辅助诊断系统提供了有前途的进步.