CMIS:用于胎儿大脑超声图像的类意识的多结构实例细分模型,具有基于模糊区域的约束

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 胎儿医学 胎儿医学

背景情况:

• 超声波中的胎儿解剖细分对于诊断和测量至关重要.
• 目前的方法仅限于特定的平面或结构,并与模糊区域作斗争.
• 产科医生需要多层,多结构分析来进行全面的诊断.

研究的目的:

• 引入一个实时细分方法,类意识的多结构实例细分 (CMIS),用于3个平面的19个关键胎儿大脑结构.
• 通过解决现有细分技术的局限性来提高胎儿大脑疾病的诊断.
• 在具有模糊边界和不同尺度的具有挑战性的情况下提高细分精度.

主要方法:

• 开发了CMIS,利用实例信息和类意识的注意力来提高计算效率和详细的洞察力.
• 实现跨层和多尺度的融合以生成详细的原型.
• 在训练过程中引入了基于模糊区域的约束损失和随机盒扰动,以增强强性.

主要成果:

• 在胎儿大脑数据集上,CMIS在37FPS时获得了83.41%的平均Dice得分,超过了13个基线.
• 该方法在胎儿心脏超声波数据集上表现出强的性能,平均Dice分数为85.73%.
• 在超声波中,CMIS有效地对复杂的解剖结构进行细分,显示了实时临床应用的潜力.

结论:

• 在超声波图像中,CMIS提供了一种强大而高效的解决方案,用于对多个胎儿大脑结构进行细分.
• 该方法处理模糊区域的能力及其实时性能使其适合临床应用.
• 需要进一步的研究,以便对异常病例和超出2D正常标准平面的各种数据集进行概括.