相关实验视频
Updated: Jan 7, 2026
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
721
基于纹理的预处理框架与nnU-Net模型用于准确的内动脉细分
1Institute of Human Convergence Health Science, Gachon University, 191, Hambakmoero, Yeonsu-gu, Incheon 21936, Republic of Korea.
Journal of imaging
|December 24, 2025
概括
一种基于纹理的新预处理方法显著增强了使用nnU-Net模型从数字减去血管学 (DSA) 进行的内动脉细分. 这种方法可以提高准确性和拓细节,以便更好地进行神经血管诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经科学是一个神经科学.
背景情况:
- 从DSA精确细分内动脉对于诊断神经血管疾病和计划治疗至关重要.
- 目前的深度学习模型显示出希望,但受到预处理技术的限制.
- 提高预处理是提高血管提取精度的关键.
研究的目的:
- 开发和评估基于纹理的对比增强预处理框架,与nnU-Net集成,以改善内动脉细分.
- 评估拟议方法对DSA图像中的细分精度和拓表示的影响.
主要方法:
- 开发了一个基于纹理的对比度增强框架,将局部对比度,和亮度值地图融合到一个组合的特征面具中.
- 这个特征面具被用作nnU-Net深度学习模型的输入来进行细分.
- 在DIAS数据集上使用诸如子相似系数 (DICE) 和跨欧盟交叉点 (IoU) 等指标来评估性能.
主要成果:
- 拟议的方法实现了0.83 ± 0.20的DICE和0.72 ± 0.14的IOU,超过了CLAHE和基线方法.
- 在容器连接 (VC) 和拓准确性方面观察到显著的改进,VC相对于未经处理的图像下降了65%以上.
- 与现有方法相比,基于纹理的预处理显示出强度和耐噪能力.
结论:
- 将基于纹理的预处理与nnU-Net集成,大大提高了DSA的内动脉细分.
- 该方法提供了强大,耐噪声和临床可解释的结果,推进了神经血管诊断能力.
- 这种方法比医学成像中血管细分的传统方法有显著的改进.
