一个联合的几何拓分析网络 (JGTA-Net) 用于检测和细分脑内动脉瘤
IEEE transactions on bio-medical engineering
|May 23, 2025
概括
我们开发了JGTA-Net,这是一个新的深度学习模型,用于精确的内动脉瘤细分. 这种方法显著提高了检测准确度,有助于预防甲状腺下出血.
科学领域:
- 医疗成像医学成像
- 计算几何学的计算几何学
- 人工智能的人工智能
背景情况:
- 内动脉瘤具有显著的脑下关节出血的风险.
- 精确检测和动脉瘤风险分层对于预防性护理至关重要.
- 目前基于点的细分方法在动脉瘤检测方面面临挑战.
研究的目的:
- 提出一个准确的双分支网络模型 (JGTA-Net) 用于内动脉瘤检测.
- 通过整合层次的几何特征学习和拓分析来增强动脉瘤细分.
- 为了提高动脉瘤检测在医学成像中的稳定性和准确性.
主要方法:
- 开发了JGTA-Net,这是一个双分支网络,包含分层几何特征学习.
- 集成了一个拓分析模块,用于复杂的3D结构细节.
- 采用拓损失函数和功能融合模块,用于多源信息集成.
主要成果:
- 在IntraA数据集上取得了最先进的细分结果 (Dice ≈ 0.95,IOU ≈ 0.90).
- 与现有方法相比,表现出优越的性能,子相似系数 (DSC) 提高了10%以上.
- 在具有不同船只复杂性的独立数据集上验证了强大的概括能力.
结论:
- JGTA-Net显著优于目前用于内动脉瘤细分的方法.
- 该模型显示了强大的概括性,表明其临床应用的潜力.
- 这种深度学习方法可以整合到脑动脉瘤评估的临床工作流程中.
