使用深度学习方法在CT图像中对肝血管结构的自动化多类细分:一种肝脏手术预计划工具

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 手术规划 手术规划

背景情况:

• 准确的肝血管细分对于手术前的规划和减少手术风险至关重要.
• 手动细分是耗时的,并且取决于操作员的技能.
• 肝和门静脉的复杂,变化的性质提出了重要的细分挑战.

研究的目的:

• 提出和评估UNETR (U-Net Transformers) 架构,用于在肝脏CT图像中对门脉和肝血管进行多类细分.
• 利用基于变压器的编码器来捕捉复杂的解剖结构中的远程依赖.
• 改进自动化肝血管细分,以加强外科预先规划.

主要方法:

• 实现了UNETR架构,使用基于变压器的编码器.
• 门静脉和肝静脉的多类细分在增强对比度的肝脏CT图像中.
• 对IRCAD数据集和当地医院数据集的评估.

主要成果:

• 在本地数据集上,UNETR模型实现了49.71% (门静脉),69.39% (肝静脉) 和76.74% (整体血管) 的Dice系数.
• 在IRCAD数据集中,该模型在船舶细分方面达到62.54%的Dice系数.
• 在识别各种数据集中复杂的船舶结构方面表现出有效性.

结论:

• 根据UNETR的架构,肝脏血管细分的准确性有很大的潜力.
• 先进的架构和精确的注释对于提高细分精度至关重要.
• 这项工作为自动化肝脏手术预计划奠定了基础,有可能提高临床结果.