-
有条件生成对抗网络的IVUS图像内膜与中-外膜边界检测
编辑人员丨2023/8/6
针对血管内超声 (IVUS) 图像中各类斑块、超声阴影和血管分支等造成内膜 (LU) 与中-外膜 (MA) 边界难以准确检测的问题, 提出一种结合堆叠沙漏网络 (SHGN) 和有条件生成对抗网络 (C-GAN) 的IVUS内膜与中-外膜检测的改进方法.首先根据血管形态特点, 使用旋转、缩放和Gamma变换等方法将图像训练集扩充57倍, 降低网络训练过拟合风险;然后利用对抗训练思想, 构建基于L1、L2重建损失的联合损失函数, 学习超声图像与其对应分割图像的映射关系, 将IVUS图像分割为3种不同区域:血管外周组织、斑块区域和内腔区域;最后在图像分割结果上, 采用阈值处理方法, 检测最终的内膜与中-外膜边界.采用国际标准IVUS图像数据集 (10位病人435幅) 评价所提出的算法.实验量化评价结果为:内膜计算面积交并比 (JM) 93％, 面积差异百分比 (PAD) 3％, Hausdorff距离 (HD) 0.19 mm;中-外膜JM 95％, PAD 3％, HD 0.16 mm.这些指标满足临床诊断要求, 性能优于现有的、近年较好的9种算法, 以及Pix2Pix模型.在临床实践应用分析中, 利用南部战区总医院心血管内科所收集的100幅IVUS图像进行检验, 取得较好的分割结果.这表明该方法具有较好的跨数据集泛化性能.
...不再出现此类内容
编辑人员丨2023/8/6
-
深度学习算法辅助构建三维颜面正中矢状平面
编辑人员丨2023/8/5
目 的:旨在建立一种可准确确定三维颜面解剖标志点的深度学习算法——多视图堆叠沙漏神经网络(multi-view stacked hourglass convolutional neural networks,MSH-CNN),并结合赋权普氏分析算法实现三维颜面正中矢状平面的自动构建.方法:收集面部无明显畸形的受试者100例,获取三维颜面数据,由专家进行颜面标志点(21个)和正中矢状平面的标注.以上述其中80例受试者三维颜面数据作为训练集数据,训练并建立本研究的MSH-CNN算法模型.以其余20例作为测试集数据,由训练后的深度学习算法自动确定每例数据的三维颜面解剖标志点(21个),并评价算法标点与专家标点间"定点误差".将MSH-CNN自动确定的三维颜面解剖标志点应用于本课题组前期研究建立的赋权普氏分析算法,可自动构建出 20例受试者的三维颜面正中矢状平面.计算MSH-CNN结合赋权普氏分析算法构建的正中矢状平面与专家正中矢状平面间"角度误差",评价三维颜面正中矢状平面自动构建方法的效果.结果:针对20例面部无明显畸形的受试者,基于MSH-CNN和赋权普氏分析算法构建正中矢状平面与专家平面间的角度误差平均为0.73°±0.50°,其中MSH-CNN自动确定颜面21个解剖标志点的定点误差平均为(1.13±0.24)mm,眶区定点误差最大平均为(1.31±0.54)mm,鼻区定点误差最小平均为(0.79±0.36)mm.结论:将深度学习算法与赋权普氏分析算法结合应用,实现了三维颜面正中矢状平面的全自动构建,初步达到了临床专家的构建效果,为自主知识产权的软件开发奠定了基础.
...不再出现此类内容
编辑人员丨2023/8/5
