Multi-escala de localización de tumor basada en el método de segmentación basado en orientación a priori para imágenes de resonancia magnética de osteosarcoma
Autores: Lv, Baolong; Liu, Feng; Gou, Fangfang; Wu, Jia
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Multi-escala de localización de tumor basada en el método de segmentación basado en orientación a priori para imágenes de resonancia magnética de osteosarcoma
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Mri
Osteosarcoma
Diagnóstico asistido por imagen médica de inteligencia artificial
Límites del tumor
Técnica de pocas tomas
Segmentación
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 38
Citaciones: Sin citaciones
El osteosarcoma es un osteosarcoma maligno que es extremadamente perjudicial para la salud humana. La tecnología de resonancia magnética (MRI) es uno de los métodos comúnmente utilizados para el examen de imágenes de osteosarcoma. Debido a la gran cantidad de datos de imágenes de osteosarcoma en MRI y a la complejidad de la detección, la identificación manual de osteosarcoma en imágenes de MRI es una tarea que consume mucho tiempo y es intensiva en mano de obra para los médicos, y es altamente subjetiva, lo que puede llevar fácilmente a problemas de diagnóstico erróneo y perdido. El diagnóstico asistido por imágenes médicas de IA alivia este problema. Sin embargo, el brillo de las imágenes de MRI y la multiescala del osteosarcoma hacen que los estudios existentes todavía enfrenten grandes desafíos en la identificación de los límites del tumor. Basándose en esto, este estudio propuso un método de segmentación asistida basado en orientación previa para imágenes de MRI de osteosarcoma, que se basa en la técnica de pocos disparos para la segmentación de tumores y un ajuste fino. No solo resuelve el problema de la localización de tumores multiescala, sino que también mejora en gran medida la precisión de reconocimiento de los límites del tumor. Primero, preprocesamos las imágenes de MRI utilizando algoritmos de generación previa y normalización para reducir la degradación del rendimiento del modelo causada por regiones irrelevantes y características de alto nivel. Luego, utilizamos una red de músculos abdominales guiada por prioridad para realizar la segmentación de muestras pequeñas de tumores de diferentes tamaños basada en características en las imágenes de MRI procesadas. Finalmente, utilizando más de 80,000 imágenes de MRI del Segundo Hospital Xiangya para experimentos, el valor DOU del método propuesto en este documento alcanzó 0.945, que es al menos un 4.3% más alto que otros modelos en el experimento. Mostramos que nuestro método específicamente tiene una mayor precisión de predicción y un menor consumo de recursos.
Descripción
El osteosarcoma es un osteosarcoma maligno que es extremadamente perjudicial para la salud humana. La tecnología de resonancia magnética (MRI) es uno de los métodos comúnmente utilizados para el examen de imágenes de osteosarcoma. Debido a la gran cantidad de datos de imágenes de osteosarcoma en MRI y a la complejidad de la detección, la identificación manual de osteosarcoma en imágenes de MRI es una tarea que consume mucho tiempo y es intensiva en mano de obra para los médicos, y es altamente subjetiva, lo que puede llevar fácilmente a problemas de diagnóstico erróneo y perdido. El diagnóstico asistido por imágenes médicas de IA alivia este problema. Sin embargo, el brillo de las imágenes de MRI y la multiescala del osteosarcoma hacen que los estudios existentes todavía enfrenten grandes desafíos en la identificación de los límites del tumor. Basándose en esto, este estudio propuso un método de segmentación asistida basado en orientación previa para imágenes de MRI de osteosarcoma, que se basa en la técnica de pocos disparos para la segmentación de tumores y un ajuste fino. No solo resuelve el problema de la localización de tumores multiescala, sino que también mejora en gran medida la precisión de reconocimiento de los límites del tumor. Primero, preprocesamos las imágenes de MRI utilizando algoritmos de generación previa y normalización para reducir la degradación del rendimiento del modelo causada por regiones irrelevantes y características de alto nivel. Luego, utilizamos una red de músculos abdominales guiada por prioridad para realizar la segmentación de muestras pequeñas de tumores de diferentes tamaños basada en características en las imágenes de MRI procesadas. Finalmente, utilizando más de 80,000 imágenes de MRI del Segundo Hospital Xiangya para experimentos, el valor DOU del método propuesto en este documento alcanzó 0.945, que es al menos un 4.3% más alto que otros modelos en el experimento. Mostramos que nuestro método específicamente tiene una mayor precisión de predicción y un menor consumo de recursos.