多尺度融合用于运动员软组织受伤后的实时图像观测和数据分析

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 生物医学工程 生物医学工程

背景情况:

• 运动员软组织损伤的准确细分对于有效的诊断和治疗至关重要.
• 现有的细分模型在复杂的医学图像中经常面临准确性和效率方面的挑战.

研究的目的:

• 为了提高运动员软组织损伤的细分精度.
• 开发一个更高效和临床上有用的医疗图像分析工具.

主要方法:

• 一个增强的Swin-Unet模型,包含特征金字塔网络 (FPN) 来实现多层面的特征融合.
• 适应性窗口选择机制,用于动态感应场调整.
• 一个加权的混合损失函数 (子损失,交叉损失,边界辅助损失),用于精确的细分和边界识别.

主要成果:

• 在OAI-ZIB数据集上获得0.978的子相似系数 (DSC).
• 与基线模型相比,在交叉与联盟 (IoU) (0.968) 和边界豪斯多夫距离 (3.21) 中表现出卓越的性能.
• 显著减少了手动诊断时间,从16.8分钟减少到6.0分钟.

结论:

• 拟议的框架显著提高了运动员受伤分析的软组织细分精度和效率.
• 改进后的模型为实时医学成像分析提供了更好的临床实用性.
• 这种方法代表了运动相关伤害自动诊断工具的进步.