SegQC:基于细分网络的框架,用于多度细分质量控制和检测体积医疗图像中的细分错误
Bella Specktor-Fadida1, Liat Ben-Sira2, Dafna Ben-Bashat3
1Department of Medical Imaging Sciences, University of Haifa, Israel.
Medical image analysis
|May 15, 2025
概括
SegQC是医疗图像分割质量控制的新框架. 它准确地估计了细分质量,并检测了2D和3D扫描中的错误,超过了现有的方法.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 在体积医学图像中精确细分结构对于临床实践和AI模型开发至关重要.
- 现有的质量控制 (QC) 方法在准确性和错误检测方面存在局限性.
研究的目的:
- 介绍SegQC,这是一个用于细分质量估计和检测体积医学图像错误的新框架.
- 评估SegQC的性能与无监督测试时间增长 (TTA) 和监督自编码器 (AE) 基于QC方法.
主要方法:
- SegQCNet:用于voxel-wise分段错误概率估计的深度网络.
- 三个新的细分质量指标来自错误概率.
- 一种用于检测切片内细分错误的新方法.
- 使用专家放射科医生对胎儿MRI扫描进行校正的评估.
主要成果:
- 对于胎儿大脑和身体细分的质量估计,SegQC优于基于TTA的QC.
- 与TTA和AE方法相比,SegQC实现了较低的平均绝对误差 (MAE) 和较高的皮尔森相关性.
- 分段错误检测实现了对胎儿结构的高回忆率和精度.
- SegQC的排名指标超过了TTA和SegQCNet的估计.
结论:
- SegQC为2D和3D医疗图像提供高质量的指标估计.
- 该框架在切片内提供有效的错误本地化,显著改善了细分QC.
- 与现有方法相比,SegQC在质量估计和错误检测方面都表现出卓越的性能.
