嵌套分辨率网状图CNN用于自动提取肝脏表面的解剖标志

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 计算解剖学的计算解剖学

背景情况:

• 肝脏的解剖学标志 (例如,状带,肝脊) 是复杂的3D网格.
• 精确的细分对于基于增强现实 (AR) 的手术内导航至关重要.
• 现有的深度学习方法面临的挑战是由于肝脏形状的变化和有限的数据.

研究的目的:

• 开发一个用于细分肝脏解剖标志的自动框架.
• 为了提高AR应用的肝网细分的准确性和稳定性.
• 为了解决当前深度学习方法在肝脏里程碑提取方面的局限性.

主要方法:

• 一个两阶段的框架,结合了动态图形卷积 (DGCNN) 和网状卷积.
• 关于全球理解的低分辨率网格和最初的里程碑性提案.
• 在高分辨率网格上的网格卷积用于使用局部拓学的细分精细化.
• 整合了对解剖学有意识的子损失,以处理分辨率失衡和稀疏区域.

主要成果:

• 拟议的方法准确地在不同的网格分辨率上对肝脏标志物进行细分.
• 与最先进的方法相比,在分布式和非分布式数据集上表现出卓越的性能.
• 成功地绘制了最初的地标提案,从低分辨率到高分辨率的表面.

结论:

• 开发的框架有效地细分复杂的肝脏解剖学地标.
• 该方法显示了增强AR指导手术导航和监控的巨大潜力.
• 这种方法为肝网细分挑战提供了强大的解决方案.