一个基于DCT-UNet的肺气道细分框架,集成标签自动更新和终端区域增长

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 肺部病理学 肺部病理学

背景情况:

• 计算机断层扫描 (CT) 中的胸内气道细分对于诊断呼吸系统疾病和手术规划至关重要.
• 目前的细分方法与呼吸道复杂性,不完整的注释和不平衡的数据作斗争.

研究的目的:

• 开发一种先进的方法,用于CT扫描中精确的胸内气道细分.
• 为了应对形态复杂性,不完整标签和终端气道检测的挑战.

主要方法:

• 一个扩展的上下文变压器-UNet被设计用于增强空间信息捕获.
• 实施了气道标签自动更新策略,以纠正不完整的注释.
• 基于深度学习的终端区域生长被用于提取终端气道.

主要成果:

• 拟议的方法显著提高了多个数据集的气道分支和长度的检测率.
• 废弃性研究证实了每个拟议成分的有效性.
• 对慢性阻塞性肺病 (COPD) 数据集的应用揭示了呼吸道测量在严重程度阶段的显著差异.

结论:

• 这种新的方法增强了气道细分,特别是对于末端支气管和以前错过的气道.
• 这种方法显示了在像COPD这样的疾病中改善呼吸道病变和疾病严重程度的特征的潜力.