基于CNN的MR图像腕软骨体积全自动量化
图像与视频处理
2022-06-23 v1 计算机视觉与模式识别
医学物理
摘要
软骨丢失的检测对于骨关节炎和类风湿关节炎的诊断至关重要。迄今为止，已有大量自动分割工具被报道用于大关节磁共振图像中的软骨评估。与膝或髋相比，腕软骨结构更为复杂，因此为大关节开发的自动工具预计无法用于腕软骨分割。在这方面，一种全自动腕软骨分割方法将具有极高的临床价值。我们评估了四种优化变体的U-Net架构，其截断深度并添加了注意力层(U-Net_AL)。相应结果与我们之前设计的基于块的卷积神经网络(CNN)进行比较。分割质量通过与手动分割的对比分析进行评估，采用若干形态学指标(2D DSC、3D DSC、精确度)和体积指标。四种网络在分割均匀性和质量上均优于基于块的CNN。使用U-Net_AL计算的中位3D DSC值(0.817)显著大于其他网络计算的相应DSC值。此外，U-Net_AL CNN给出了最低的平均体积误差(17%)以及与金标准最高的皮尔逊相关系数(0.765)。有趣的是，使用U-Net_AL计算的重复性大于手动分割的重复性。带有额外注意力层的U-net卷积神经网络提供了最佳的腕软骨分割性能。为了在临床条件下使用，训练好的网络可在代表特定患者群体的数据集上微调。软骨体积测量的误差应使用非MRI方法独立评估。
引用
@article{arxiv.2206.11127,
title = {CNN-based fully automatic wrist cartilage volume quantification in MR Image},
author = {Nikita Vladimirov and Ekaterina Brui and Anatoliy Levchuk and Vladimir Fokin and Aleksandr Efimtcev and David Bendahan},
journal= {arXiv preprint arXiv:2206.11127},
year = {2022}
}
备注
17 pages, 6 Figures, 6 Tables, 1 Suplementary