用于分割与解剖标志点定位的深度测地学习

本文提出一种用于解剖分割与自动标志点定位的新型深度学习框架。具体而言，我们关注从锥形束计算机断层扫描（CBCT）中分割下颌骨并在测地空间上识别其 9 个解剖标志点这一具有挑战性的问题。整体方法包含三个相互关联的步骤。步骤 1 中，我们提出一种具有精心设计的正则化及网络超参数的深度神经网络架构，可在无需数据增强和复杂后处理精修的情况下执行图像分割。步骤 2 中，我们将标志点定位问题直接表述于稀疏分布解剖标志点的测地空间上。步骤 3 中，我们提出使用长短期记忆（LSTM）网络来识别紧密相邻的标志点，这类标志点用其他标准检测网络较难获得。所提出的全自动方法在颅面畸形与病态下的下颌骨分割与标志点定位中表现出优于现有最优方法的效能。我们使用了一个极具挑战性的 50 例患者 CBCT 数据集，其颅颌面（CMF）变异性高，符合临床实际。除定量分析外，还对来自 250 例高解剖变异性患者的不同 CBCT 扫描进行了定性目视检查。我们还展示了所提工作在 MICCAI 头颈挑战赛（2015）独立数据集上的可行性，并达到了最优性能。最后，我们就所提深度网络关于池化与激活函数等超参数的选择进行了深入分析。