一个3D边缘注意力排斥扩散网络用于穿孔活检中的前列腺细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 前列腺癌的诊断依赖于通过直肠超声波 (TRUS) 引导的活检.
• 在TRUS图像中精确的前列腺细分对于精确的活检至关重要.
• 由于图像噪音和文物,自动细分具有挑战性.

研究的目的:

• 在TRUS图像中开发一个高精度和可通用的3D网络用于前列腺细分.
• 在挑战超声数据方面克服当前自动化细分方法的局限性.

主要方法:

• 提出了一个3D边缘注意力消除噪音的扩散网络.
• 整合了一个边缘注意力拒绝U-Net (EAD U-Net) 的边缘特征提取.
• 集成了一个卡尔曼聚变模块,以减少不确定性和优化细分估计.

主要成果:

• 在两个数据集的1834张3D超声波图像上实现了高分段精度.
• 与现有最先进的方法相比,表现出优越的性能.
• 获得了92.92%和94.0%的平均子相似系数,以及1.07毫米和0.77毫米的第95百分点豪斯多夫距离.

结论:

• 拟议的网络有效地在TRUS图像中对前列腺进行细分,优于目前的技术.
• 该方法显示了促进准确的MRI-TRUS融合引导前列腺活检的潜力.
• 该方法解决了超声波图像自动细分的关键挑战.