强大的容器细分和中心线提取:一个阶段的深度学习方法

科学领域:

• 医疗成像医学成像
• 计算解剖学的计算解剖学
• 医疗保健中的机器学习

背景情况:

• 精确的血管细分和中线提取对于血管成像应用,如手术规划和血液动力学建模至关重要.
• 现有的方法通常需要多个阶段或后处理,影响效率和准确性.
• 需要集成的,端到端的解决方案,直接解决细分和中线提取.

研究的目的:

• 引入一种新的一级多任务神经网络,用于同时进行血管细分和中心线提取.
• 开发一个端到端的框架,直接预测中线作为连接的多线.
• 评估与最先进的技术相比拟的方法的性能和稳定性.

主要方法:

• 设计了一个混合神经网络架构,整合了卷积和图层.
• 开发了一个特定任务的损失函数,以利用细分和中线提取之间的互补特性.
• 该模型在142张计算机断层扫描血管图像 (LIDC-IDRI和AMOS) 的综合数据集上进行了训练和评估.

主要成果:

• 拟议的方法实现了优越的中线提取性能 (表面子的值为3毫米:97.65%±2.07%).
• 获得了最高的亚声元分辨率 (表面子具有1毫米的值:72.52%±8.96%).
• 该模型证明了对小型刚性和可变形转换的稳定性,并与VMTK工具包进行了基准测试.

结论:

• 这种新的单阶段方法有效地同时执行血管细分和中线提取.
• 端到端的框架消除了对后处理的需求,提高了效率.
• 这种方法为血管成像分析提供了卓越的准确性和亚声素分辨率.