在肺部疾病的自动化3D肺部细分中平衡准确性和可解释性:古典技术的作用
概括
这项研究开发了一种使用计算机断层扫描 (CT) 扫描经典图像处理的自动肺部细分算法. 该方法准确地划分肺部,即使有疾病,为深度学习模型提供了有竞争力的替代方案.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 图像处理 图像处理
背景情况:
- 在3D计算机断层扫描 (CT) 中精确的肺部细分对于诊断和监测肺部疾病至关重要.
- 现有的方法,包括深度学习 (DL),面临着病态减弱和异常错误的挑战.
- 经典的图像处理技术为可靠和可解释的细分提供了潜力.
研究的目的:
- 开发和评估一种自动细分算法,用于在3DCT图像中划分有病理衰减的肺部.
- 将经典图像处理方法的性能与最先进的深度学习模型进行比较.
- 评估经典方法对于DL模型生成训练数据的适用性.
主要方法:
- 经典图像处理技术的应用:内在图像分解 (IID) 过和波波变换.
- 评估两种轮精细化策略:凸起的船体和角探测.
- 与深度学习模型 (TotalSegmentatorV2) 进行比较,使用诸如子相似系数 (DSC) 和豪斯多夫距离 (HD) 等指标.
主要成果:
- 与专家划分相比,凸船体改进策略实现了高达98%的子相似系数 (DSC).
- 经典方法显示了较低的豪斯多夫距离 (HD) 比DL模型,表明较少的极端细分错误.
- 经典方法证明与DL具有竞争力,在解释性和异常误差缓解方面具有优势.
结论:
- 经典的图像处理方法,当与2D/3D技术相结合时,在CT中提供强大的肺部细分,有效地处理病理衰减.
- 这些方法提供了可解释性,并且对于创建高质量的训练数据集,用于肺部疾病分析中的深度学习模型是有价值的.
- 结合古典和DL技术的混合方法对肺部细分精度和可靠性的未来进步充满希望.
