一个双功能提取器框架,用于从单眼RGB图像中准确估计背部深度和脊柱形态

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:

• 青少年异常学脊椎病 (AIS) 的评估依赖于X射线,造成辐射暴露和有限的访问等风险.
• 目前的RGB图像分析对脊椎形不稳定是由于环境因素,如照明.
• 存在需要可访问的,无辐射的脊椎病评估方法.

研究的目的:

• 开发一种用于准确估计脊柱形态的新管道,使用从裸体背部图像中获得的深度和表面信息.
• 为了弥补二维成像在脊椎结石评估中的局限性.
• 提高脊椎病分析模型的稳定性和通用性.

主要方法:

• 提出了一个可适应的多尺度特征学习网络,GAMA-Net,用于精确地估计后面表面的深度.
• 使用双编码器用于补丁级和全局特征提取,具有基于补丁的混合注意 (PBHA) 模块.
• 在解码器中使用了自适应多级特征融合 (AMFF) 模块来实现动态信息融合.

主要成果:

• GAMA-Net模型在深度估计方面取得了高准确性,在三个指标上分别获得了78.2%,93.6%和97.5%的分数.
• 整合深度和表面信息用于脊柱形态估计,导致脊柱曲线生成的准确度高达97%.
• 拟议的方法显示,对脊椎病评估的准确性和可靠性有了显著的改进.

结论:

• 这种新型管道有效地估计了深度信息,增强了脊柱形态学分析的脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊
• 这种综合方法为AIS提供了一个有希望的,无辐射的替代传统X射线评估.
• 开发的GAMA-Net模型显示,在脊柱体脊椎病的诊断和监测中具有临床相关性的潜力.