基于深度学习的内耳子区域细分在3DT2加权MRI中,使用标签保存数据增强.
Wooseung Kim1,2, Yeonah Kang3,4, Seokhwan Lee5,6
1Department of Biomedical Engineering, Hankuk University of Foreign Studies, Yongin, Republic of Korea.
NMR in biomedicine
|March 13, 2026
概括
这项研究引入了一种深度学习方法,用于在MRI扫描上对内耳结构进行细分,从而提高像Meniere病这样的疾病的准确性. 新的标签保存数据增强显著增强细微的内耳解剖学的细分.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 耳鼻喉科 耳鼻喉科 耳鼻喉科
背景情况:
- 在MRI上手动细分内耳结构是耗时和劳动密集的.
- 准确的细分对于诊断和规划听力障碍的治疗方法至关重要,例如Meniere病.
研究的目的:
- 开发和评估一种深度学习方法,用于从T2加权的MR图像中自动细分内耳子区域.
- 评估新型标签保护数据增强策略对细分精度的影响,特别是对于复杂的结构.
主要方法:
- 一个基于3D变压器的深度学习模型被训练在74个3D T2加权的MR图像上.
- 开发了一个保护标签的数据增强策略,并与传统方法进行了比较.
- 在内部和外部数据集上,使用子相似系数 (DSC),交界线 (IoU) 和豪斯多夫距离 (HD) 评估了细分性能.
主要成果:
- 提出的方法,使用标签保存增强,与传统增强相比,在内部测试集 (DSC: 0.905,IOU: 0.828) 上显示出更好的性能.
- 在外部测试组 (DSC:0.919,IoU:0.852) 观察到显著的改善,大大超过了传统方法.
- 该方法表现出增强的稳定性和准确性,特别是对于细分薄而复杂的结构,如半圆形道.
结论:
- 开发的深度学习方法有效地从MRI图像中对内耳子区域进行细分.
- 保护标签的数据增强策略显著提高了细分的准确性和稳定性,特别是复杂的解剖细节.
- 这种方法为克服临床实践中手动细分的局限性提供了一个有希望的解决方案.


