近年來,經自然腔道的肺部疾病診療科技由於其無創性與靈活性受到了廣泛關注與應用。醫生通常在術前通過CT影像進行病灶的初步定位以及手術規劃。在手術規劃過程中,針對肺部氣道與血管的手動三維重建過程耗時較長並且準確性難以保證。
圖源:IEEE Transactions on Medical Imaging
為了解决以上問題,基於電腦輔助診斷科技,特別是深度學習科技的術前規劃研究方興未艾。其中,基於卷積神經網路(CNNs)的算灋在肺部氣道與動靜脈分割任務中難度較高,主要原因在於管狀目標與背景之間的類別不均衡與標注的稀疏性。上海交通大學醫療機器人研究院楊廣中教授團隊提出了一種基於CT影像的精確氣道和動脈靜脈的方法,對細小的週邊支氣管與動靜脈具有較高的準確性。首先,使用特徵校準模塊,有效選取空間資訊並保留啟動區域的相對優先權,這有益於隨後的逐通道重新校準。然後,引入注意蒸餾模塊以加强管狀對象的表示學習。細粒度高解析度注意力特徵中的細節可以通過反向傳播節用於豐富背景學習。此外,使用肺部背景圖的解剖先驗和距離變換圖的設計,以獲得更好的動脈-靜脈分化能力。
圖:算灋基本流程
該項工作通過在真實病人的CT影像進行大量的實驗,證明了該算灋的在肺部氣道與動靜脈分割的準確性。
相關研究論文以《Learning Tubule-Sensitive CNNs for Pulmonary Airway and Artery-Vein Segmentation in CT》為題,於2月26日線上發表於IEEE Transactions on Medical Imaging雜誌。(DOI: 10.1109/TMI.2021.3062280)
論文連結:https://ieeexplore.ieee.org/document/9363945
本文轉載於上海交通大學新聞學術網(https://news.sjtu.edu.cn),版權歸原作者所有,文章內容不代表平臺觀點或立場。如有關於文章內容、版權或其他問題請與我方聯系,我方將在核實情况後對相關內容做删除或保留處理!聯繫郵箱:yzhao@koushare.com