U-ConvNext:在手术内超声波中进行质瘤细分的强有力的方法

科学领域:

• 神经外科 神经外科
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 术内瘤成像对于安全的神经外科切除至关重要,特别是对于低度质瘤.
• 超声波提供方便,但在手动瘤细分精度和时间方面面临限制.
• 精确的细分对于最大限度地去除瘤而保持健康的大脑组织至关重要.

研究的目的:

• 开发和评估一种基于学习的模型,用于在手术中的超声波图像中精确地细分低度质瘤.
• 为了解决手动细分的局限性,并提高神经外科手术期间的瘤检测.
• 为改善外科手术决策提供可靠的不确定性量化.

主要方法:

• 开发了一个新的基于U-net的架构 (U-ConvNext),集成ConvNeXt V2块,全球响应正常化和初始层.
• 使用CutMix数据增强用于在语义细分中增强纹理检测.
• 规范细分,一种新的规范预测方法,被引入用于不确定性量化.

主要成果:

• 在RESECT数据集子集上,U-ConvNext模型获得了高持久性测试Dice得分 (84.63%,74.52%,90.82%).
• 性能显示出与最先进的方法相比显著改善 (13-31%).
• 对ReMIND数据集的外部验证显示了强大的性能 (Dice分数为79.17%),校准误差增加最小.

结论:

• 拟议的U-ConvNext模型在使用超声波的自动低级质瘤细分方面取得了重大进展.
• 整合架构创新,数据增强和不确定性量化可以提高细分的准确性和可靠性.
• 这种人工智能驱动的方法有望提高神经外科手术中最大的安全切除率.