面向气道病变体积分割的 2D 与 3D 整体深度学习方法的 CT 评估
图像与视频处理
2024-08-13 v2 计算机视觉与模式识别
机器学习
摘要
本研究聚焦于囊性纤维化（CF）病变，对卷积神经网络（CNN）在 2D 和 3D 格式下的整体分割能力进行了比较探索。研究使用了来自两个 CF 参考中心的数据，涵盖了五种主要的 CF 结构性改变。研究首先比较了 2D 和 3D 模型，突显了 3D 模型在捕捉黏液栓和实变等复杂特征方面的优越能力。为提升 2D 模型的性能，研究实施并评估了一种针对精细结构分割进行适配的损失函数，显著提高了其准确性，但仍未超越 3D 模型的表现。通过对照肺功能测试（PFT）的外部评估，模型得到了进一步验证，确认了研究结果的稳健性。此外，本研究不仅限于指标比较，还涵盖了对模型可解释性和可靠性的全面评估，为其临床应用提供了宝贵的见解。
引用
@article{arxiv.2403.08042,
title = {CT evaluation of 2D and 3D holistic deep learning methods for the volumetric segmentation of airway lesions},
author = {Amel Imene Hadj Bouzid and Baudouin Denis de Senneville and Fabien Baldacci and Pascal Desbarats and Patrick Berger and Ilyes Benlala and Gaël Dournes},
journal= {arXiv preprint arXiv:2403.08042},
year = {2024}
}
备注
6 pages, 3 figures, 2 tables, IEEE International Symposium on Biomedical Imaging (ISBI) 2024