使用3D建模进行3D医疗图像细分
Mária Ždímalová1, Kristína Boratková1, Viliam Sitár2
1Department of Mathematics and Descriptive Geometry, Faculty of Civil Engineering, Slovak University of Technology in Bratislava, 810 05 Bratislava, Slovakia.
Bioengineering (Basel, Switzerland)
|February 27, 2026
概括
这项研究介绍了用于3D医疗图像细分的增强 Graphcut 算法,提高了乳房和大脑扫描中的瘤边界精度. 该方法为瘤诊断提供了对深度学习的数据效率高的替代方案.
科学领域:
- 医疗图像处理 医学图像处理
- 计算辐射学 计算辐射学
- 瘤学 诊断 诊断 瘤学
背景情况:
- 精确的3D放射图像细分对于CT/MRI中瘤隔离至关重要,可实现精确的可视化,体积测量和治疗监测.
- 卷度分析通过检测微妙的瘤变化,超越标准标准,帮助适应性疗法.
- 现有的方法与异质组织强度作斗争,影响边界精度.
研究的目的:
- 为3D DICOM分割开发一个增强的,交互式的Graphcut算法.
- 为了提高乳腺和脑瘤的边界精度和3D建模.
- 为了应对医学成像中异质组织强度所带来的挑战.
主要方法:
- 增强标准 Graphcut 带有集群机制 (k=2-5个集群),用于精细的边界检测.
- 使用元数据将DICOM数据集处理成3D卷;使用用户定义的种子和边界框.
- 在Python 3.13中使用PyMaxflow和pydicom实现图形优化和数据转换.
主要成果:
- 获得了高的子相似系数 (DSC):0.92 ± 0.07对于脑瘤,0.90 ± 0.05对于乳腺瘤.
- 与标准技术相比,经证实噪声敏感度降低,边界定义改善.
- 在没有广泛的预训练的情况下,与深度学习基准表现相似,边界误差减少7.5%.
结论:
- 介绍了一种高效准确的3D瘤细分工具,用于诊断和治疗规划.
- 证明了对深度学习的强大,数据效率高的替代方案,特别是在没有大量注释数据集的情况下非常有价值.
- 增强的Graphcut算法为需要精确瘤分析的临床环境提供了显著的优势.
