복부 CT 이미지를 위한 정밀 소장기 분할을 위한 이중 지식 안내 이단계 모델

초록 복부 CT 스캔으로부터 다기관 분할은 다양한 의학적 검사 및 진단에 매우 중요합니다. 기존의 딥러닝 기반 방법들이 주목할 만한 성과를 이루었음에도 불구하고, 소장기의 분할은 그 크기와 낮은 대비로 인해 여전히 도전적입니다. 본 논문은 소장기의 분할 정확도를 향상시키기 위해 두 가지 유형의 지식—영상 고유 (해부학) 및 임상 전문 지식 (영상의학)—을 활용하는 새로운 지식 안내 연속 프레임워크를 소개합니다. 특히, 복부 CT 스캔에서의 해부학적 유사성을 기반으로, 이 방법은 고품질 분할 결과를 첫 단계에서의 부정확한 결과에 매핑하기 위해 엔트로피 기반 등록 기술을 사용하여 소장기의 정밀한 위치 지정을 안내합니다. 또한, 영상의학자들이 다양한 관점에서 이미지를 주석 달기 하는 관행에서 영감을 받아, CT 이미지의 다양한 방향에서 특징을 추출하고 적응적으로 융합하여 소장기의 분할을 효과적으로 개선할 수 있는 새로운 다중 시점 융합 합성곱(MVFC) 연산자가 개발되었습니다. 동시에, MVFC 연산자는 다양한 모델 구조 내에서 기존 합성곱의 매끄러운 대체 방법을 제공합니다. 복부 다기관 분할(AMOS) 데이터셋에 대한 광범위한 실험은 이 방법의 우수성을 입증하며, 소장기 분할의 새로운 기준을 설정합니다.