基于 nnU-Net 的 MRI 乳腺组织分割用于生物力学建模
计算机视觉与模式识别
2024-12-02 v1 图像与视频处理
医学物理
摘要
将2D乳腺钣片与3D磁共振成像（MRI）集成对于提高乳腺癌诊断和治疗规划至关重要。然而，这一集成由于成像方式差异以及对精确组织分割和对齐的需求而具有挑战。本文通过两个主要方面增强生物力学乳腺模型：改进使用 nnU-Net 分割模型识别组织，并评估有限元（FE）生物力学求解器，具体比较 NiftySim 与 FEBio。我们对乳腺MRI数据进行详细的六类分割，使用 nnU-Net 架构实现脂肪、乳腺组织和胸肌的 Dice 系数分别为0.94、0.88和0.87。通过2D和3D U-Net配置的集成，整体前景分割达到均值Dice系数0.83，为3D重建和生物力学建模提供了坚实基础。分割后的数据用于生成详细的3D网格并开发基于 NiftySim 和 FEBio 的生物力学模型，模拟乳腺组织在压缩下的物理行为。本文结果包括 NiftySim 与 FEBio 的比较，为研究乳腺组织在压缩下的反应提供了关于这些模拟准确性和可靠性的见解。本研究的发现可能有助于提高2D和3D成像模态的集成，从而提高乳腺癌的诊断准确性和治疗规划。
引用
@article{arxiv.2411.18784,
title = {MRI Breast tissue segmentation using nnU-Net for biomechanical modeling},
author = {Melika Pooyan and Hadeel Awwad and Eloy García and Robert Martí},
journal= {arXiv preprint arXiv:2411.18784},
year = {2024}
}
备注
Deep Breath @ MICCAI 2024