Deep Learning-Based Automatic Segmentation of Mandible and Maxilla in Multi-Center CT Images¶
论文地址¶
https://www.mdpi.com/2076-3417/12/3/1358
摘要¶
Cite
计算机断层扫描（CT）中颅颌面骨（下颌骨和上颌骨）的精细分割对于颅颌面外科的诊断和治疗计划至关重要。由于颅颌面骨和头部CT的固有特性 （如解剖结构的差异、软组织的低对比度以及金属植入物造成的伪影），传统的手动分割耗时且具有挑战性。然而，数据驱动的分割方法，包括深度学习， 需要一个大的一致数据集，由于数据集有限，这在其临床应用中造成了瓶颈。在这项研究中，我们提出了一种用于在CT图像中自动分割下颌骨和上颌骨的深度学习方法， 并增强了多中心数据集的兼容性。应用通过各种条件获取的四个多中心数据集来创建一个场景，其中模型使用一个数据集进行训练，并使用其他数据集进行评估。 对于神经网络，我们设计了U-Net（HPMR-U-Net）的分层、并行和多尺度残差块。为了评估性能，与其他三个神经网络（U-Net、Res-U-Net和mU-Net） 进行了内部数据集和多中心外部数据集的分割。结果表明，HPMR-U-Net的分割性能与其他模型相当，具有优异的数据兼容性。
工作¶
颌骨分割的主要难点
- 牙齿的植入物造成的金属伪影
- 颌骨和牙齿等组织在一起，难以分辨
- 颌骨存在薄壁难以分割，强度较低
- 不同患者之间的颌骨形态差异较大
不过看这个图，本文中分割认为的上颌骨好像比实际的要大的多，包括了颧骨顶骨等，区域参考百科
a）是不同网络结构的整体架构，都是基于或类似UNet的编码路径和解码路径的方式，差异的地方就是编码路径上的编码块的区别。b）是UNet的编码块，c）是ResUNet的编码块，d）是mUNet的编码块，e）是HPMR-UNet的编码块。
实验¶
实验部分是跟其他网络进行对比，包括U-Net、Res-U-Net和mU-Net。但是看效果也不行啊，Dice上颌骨才0.92，用来对比的UNet Dice直接写0，作者是真敢写，怕是写了BUG
实验部分主要说的是在内部测试集上本文提出的方法效果一般，甚至还不如另外几个，但是在外部数据集上效果就领先其他几个方法很多。我对这个结果还是存疑