PEPC-Net:渐进边缘感知和完成网络,用于精确识别面囊的安全切除边缘

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 手术瘤学手术瘤学

背景情况:

• maksillofacial 囊由于它们在解剖学上接近关键的神经血管结构,因此存在很大的手术风险.
• 在CT图像中精确细分这些病变对于确定安全切除边缘和预防手术并发症至关重要.
• 现有的细分方法面临挑战,因为面部区域的复杂解剖学和异质组织组成.

研究的目的:

• 引入一个新的深度学习网络,即渐进边缘感知和完成网络 (PEPC-Net),用于增强面囊的细分.
• 解决当前细分技术的局限性,在复杂的口面部解剖学中准确地划出囊边界.
• 提高识别安全外科切除边缘的精度,以改善面病变的确切性.

主要方法:

• 开发PEPC-Net,包括用于多分辨率特征融合的渐进边缘感知分支和用于捕获微妙边界细节的边缘信息完成模块.
• 集成了一个边缘意识的跳过连接,以自适应地融合多尺度边缘特征,保留细粒度的边界信息.
• 通过对临床获得的面病变数据集和外部验证集进行广泛的实验,验证PEPC-Net的性能.

主要成果:

• 在临床数据集中,PEPC-Net实现了88.71%的子相似系数 (DSC) 和0.489mm的平均表面距离 (ASD).
• 该模型在划分面病变的复杂和异质边缘方面表现出卓越的性能.
• 在外部数据集上证实了概括性,该数据集包含各种囊类型和不同的图像质量.

结论:

• PEPC-Net显著提高了CT图像中大面囊细分的准确性.
• 拟议的网络有效地解决了复杂的解剖学和异质的病变组成所带来的挑战.
• 通过PEPC-Net准确地划定囊边界对于明智的手术决策和优化安全切除边缘至关重要.