对小物体敏感的深度强化学习用于医学图像中完全自动的3D血管细分
Jingliang Zhao1, Xianyang Lin1, An Zeng1
1School of Computer Science, Guangdong University of Technology, Guangzhou, People's Republic of China.
Biomedical physics & engineering express
|November 25, 2025
概括
这项研究引入了一种新的深度强化学习方法,用于医学图像中的3D血管细分. 该方法提高了准确性和效率,以改善临床导航和评估.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 准确的3D血管细分对于临床应用至关重要,例如手术内导航和术后评估.
- 由于医疗图像中血管的比例不平衡,完全自动的细分面临着挑战,往往导致目标损失.
- 现有的方法难以精确细分小型或部分隐蔽的容器.
研究的目的:
- 通过使用小对象敏感的深度强化学习 (DRL) 和卷积神经网络 (CNN) 提出完全自动的3D容器细分方法.
- 通过改进信息获取,优先考虑完整区域检测和使用切片间依赖来纠正错误来增强基于DRL的检测.
- 在3D血管细分中实现高精度和拓完整性,以提高临床实用性.
主要方法:
- 一种混合方法,将DRL用于初始界限框检测和CNN用于精确细分.
- 对DRL网络的三个关键改进:随机受体场扩展用于强大的检测,回忆优先奖励用于完整的区域提取,并利用切片间血管空间依赖来纠正错误.
- 在100张计算机断层扫描血管造影 (CTA) 扫描数据集上的验证.
主要成果:
- 拟议的方法实现了93.75%的Dice系数,用于船舶细分的准确性.
- 与基线和其他自动3D船舶细分算法相比,表现出卓越的性能.
- 在定位精度,细分精度和运营效率方面展示了优势.
结论:
- 开发的方法为完全自动的3D船舶细分提供了强大而准确的解决方案.
- 在DRL的改进提高了小船的检测和保持拓完整性.
- 该方法的准确性,效率和易于应用使其适合临床实践.
