Научная статья

Глубокое обучение для сегментации костей таза: крупный набор данных КТ и базовые модели

Deep learning to segment pelvic bones: large-scale CT datasets and baseline models

International Journal of Computer Assisted Radiology and Surgery
10.1007/s11548-021-02363-8
Полный текст Открыть в журнале PubMed
FWCI: 5.53FWCI — Field-Weighted Citation Impact (индекс цитируемости с поправкой на область науки). 1.0 = среднее, > 1 = выше среднего · Процитировано: 151 · Ссылки: 36 · Лицензия: Закрытая
Цитирование по годам: 2026: 45 · 2025: 50 · 2024: 37 · 2023: 24 · 2022: 12

Аннотация

Цель: Сегментация костей таза на КТ — важный этап клинической диагностики и планирования хирургического лечения заболеваний костей таза. Существующие методы сегментации костей таза выполняются вручную или полуавтоматически и отличаются ограниченной точностью при изменении вида изображений из-за межцентровых различий, наличия контрастированных сосудов, копролитов и химуса, переломов костей, низкой дозы облучения, металлических артефактов и других факторов. Из-за отсутствия крупного размеченного набора КТ-исследований таза методы глубокого обучения пока изучены недостаточно.

Методы: Для восполнения этого пробела мы сформировали крупный набор данных КТ таза из нескольких источников: 1184 исследования с разнообразными особенностями изображений. Затем мы, насколько нам известно, впервые обучили многоклассовую нейросетевую модель для одновременной сегментации поясничного отдела позвоночника, крестца, левой и правой тазовых костей на изображениях из разных доменов, чтобы получить более эффективные и устойчивые представления признаков. Наконец, мы разработали алгоритм постобработки на основе функции знакового расстояния (SDF).

Результаты: Обширные эксперименты на нашем наборе данных подтвердили эффективность автоматического метода: средний коэффициент Dice для исследования без металлических артефактов составил 0,987. По сравнению с традиционной постобработкой алгоритм на основе SDF уменьшил расстояние Хаусдорфа на 15,1%.

Выводы: Мы полагаем, что этот крупный набор данных будет способствовать развитию всей области; изображения, разметка, исходный код и обученные базовые модели будут доступны по адресу https://github.com/ICT-MIRACLE-lab/CTPelvic1K .

Переведем эту статью за 1 час

Загрузите PDF, а мы сделаем полный перевод, краткий конспект и красивую инфографику.

Попробовать бесплатно →

Также в Подтеме: еженедельные литобзоры, база международных клинреков и конспекты свежих мед. статей и подкастов каждый день.