在医学图像分析中需要进行几次学习的能力是对支持图像数据的有效利用，该数据被标记为对新类进行分类或细分新类，该任务否则需要更多的培训图像和专家注释。这项工作描述了一种完全3D原型的几种分段算法，因此，训练有素的网络可以有效地适应培训中缺乏的临床有趣结构，仅使用来自不同研究所的几个标记图像。首先，为了弥补机构在新型类别的情节适应中的广泛认识的空间变异性，新型的空间注册机制被整合到原型学习中，由分割头和空间对齐模块组成。其次，为了帮助训练观察到的不完美比对，提出了支持掩模调节模块，以进一步利用支持图像中可用的注释。使用589个骨盆T2加权MR图像的数据集分割了八个对介入计划的解剖结构的应用，该实验是针对介入八个机构的八个解剖结构的应用。结果证明了3D公式中的每种，空间登记和支持掩模条件的功效，所有这些条件都独立或集体地做出了积极的贡献。与先前提出的2D替代方案相比，不管支持数据来自相同还是不同的机构，都具有统计学意义的少量分割性能。
translated by 谷歌翻译
前列腺活检和图像引导的治疗程序通常是在与磁共振图像（MRI）的超声指导下进行的。准确的图像融合依赖于超声图像上前列腺的准确分割。然而，超声图像中降低的信噪比和工件（例如，斑点和阴影）限制了自动前列腺分割技术的性能，并将这些方法推广到新的图像域是本质上很难的。在这项研究中，我们通过引入一种新型的2.5D深神经网络来解决这些挑战，用于超声图像上的前列腺分割。我们的方法通过组合有监督的域适应技术和知识蒸馏损失，解决了转移学习和填充方法的局限性（即，在更新模型权重时，在更新模型权重时的性能下降）。知识蒸馏损失允许保留先前学习的知识，并在新数据集上的模型填充后降低性能下降。此外，我们的方法依赖于注意模块，该模块认为模型特征定位信息以提高分割精度。我们对一个机构的764名受试者进行了培训，并仅使用后续机构中的十个受试者对我们的模型进行了审核。我们分析了方法在三个大型数据集上的性能，其中包括来自三个不同机构的2067名受试者。我们的方法达到了平均骰子相似性系数（骰子）为$ 94.0 \ pm0.03 $，而Hausdorff距离（HD95）为2.28 $ mm $，在第一机构的独立受试者中。此外，我们的模型在其他两个机构的研究中都很好地概括了（骰子：$ 91.0 \ pm0.03 $; hd95：3.7 $ mm $ and Dice：$ 82.0 \ pm0.03 $; hd95 $; hd95：7.1 $ mm $）。
translated by 谷歌翻译
如果可疑的术前磁共振（MR）图像在超声引导的活检手术过程中，在超声引导的活检程序中，在临床上具有重要意义的前列腺癌有更好的机会进行采样。但是，活检程序的诊断准确性受到操作员依赖性技能和取样目标的经验的限制，这是一个顺序决策过程，涉及导航超声探针并为潜在的多个目标放置一系列采样针。这项工作旨在学习强化学习（RL）政策，以优化2D超声视图和活检针相对于指导模板的连续定位的行为，以便可以有效地进行MR目标进行有效且充分的采样。我们首先将任务作为马尔可夫决策过程（MDP）制定，并构建一个环境，该环境可以根据其解剖结构和从MR图像得出的病变来实际上为个别患者执行靶向动作。因此，在每次活检程序之前，可以通过奖励MDP环境中的阳性采样来优化患者特定的政策。五十四名前列腺癌患者的实验结果表明，拟议的RL学习政策的平均命中率为93％，平均癌症核心长度为11 mm，与人类设计的两种替代基线策略相比，没有手工设计奖励直接最大化这些临床相关指标。也许更有趣的是，发现RL代理商学习了适应病变大小的策略，在该病变大小上，针对小病变的针头的扩散优先考虑。此类策略以前尚未在临床实践中报告或普遍采用，而是与直观设计的策略相比，导致了总体上的靶向性能。
translated by 谷歌翻译