DABS-MS:使用Mumford-Shah函数式的基于深层地图集的细分
Hannah G Mason1, Jack H Noble1,2
1Vanderbilt University, Department of Computer Science, Nashville, Tennessee, United States.
Journal of medical imaging (Bellingham, Wash.)
|October 23, 2025
概括
一种新的深度学习方法,DABS-MS,准确地细分内部听觉通道 (IAC),以帮助定位听觉神经纤维 (ANF). 这可以改善听力损失患者的耳植入物 (CI) 编程.
科学领域:
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算神经科学是一种神经科学.
背景情况:
- 耳植入物 (CIs) 对于治疗严重到严重的听力损失至关重要.
- 精确的CI刺激患者特定建模需要精确地定位听觉神经纤维 (ANF).
- 由于它们的小尺寸和在临床成像中不可见性,ANF局部化具有挑战性.
研究的目的:
- 通过细分内部听觉通道 (IAC) 来开发一种准确推断ANF位置的方法.
- 为了利用IAC在CT扫描中的高对比度,改善ANF定位.
- 通过患者特定的ANF建模来增强耳植入器编程.
主要方法:
- 提出了一个基于深层地图的细分网络,DABS-MS,灵感来自VoxelMorph.
- 使用一个单一的地图库,并预先定位了IAC和ANF.
- 实施了一个自主监督的训练方案,使用了蒙福德-沙赫功能启发的损失函数.
- 为准确的IAC细分和随后的ANF定位生成的变形场 (DF).
主要成果:
- 与VoxelMorph相比,DABS-MS在IAC细分方面表现优越.
- 该方法在气管和脏细分的公共数据集上显示了细分精度的显著改善.
- 结果表明DABS-MS方法的普遍性.
结论:
- 该DABS-MS方法准确地对IAC进行细分,促进ANF本地化.
- 改进的ANF局部化支持CI刺激的患者特定建模.
- 这一进步可以带来更好的CI编程和更好的听力损失患者的治疗结果.


