基于多尺度距离加权神经网络的骨盆骨折分割

Pelvic Fracture Segmentation Using a Multi-scale Distance-Weighted Neural Network

摘要

骨盆骨折是一种严重的高能损伤。从3D CT图像中分割骨盆骨折对创伤诊断、评估和治疗计划非常重要。手动勾画骨折表面可以逐层进行,但这是一个缓慢且容易出错的过程。自动骨折分割面临着骨盆骨结构复杂以及骨折类型和形状变化大的挑战。

该研究提出了一种基于深度学习的自动骨盆骨折分割方法。该方法包括两个连续的网络:

1. 解剖分割网络:从CT扫描中提取左右髂骨和骶骨。
2. 骨折分割网络:进一步从每个掩膜骨区域中分割出骨折。

研究者设计并集成了一种基于距离加权的损失函数到3D U-Net中,以提高对骨折边界区域的分割精度。此外,还使用了多尺度深度监督和平滑过渡策略来促进训练。
代码地址

方法

该方法包括三个步骤:

1. 解剖分割网络:使用级联的3D nn-UNet架构从CT扫描中提取骨盆骨骼。该网络首先在一组健康骨盆CT图像上进行预训练,然后在研究者的骨折数据集上进一步微调。
2. 骨折分割网络:用于从第一步提取的每个髂骨和骶骨区域中分离出骨块碎片。为了定义一套适用于所有骨折类型的一致标记规则,研究者为每个骨骼指定了三个标签:背景、主要骨块和其他骨块。主要骨块是位于中心的最大骨块。
3. 最终输出:进一步分离和标记孤立的骨块组件,并移除小的孤立骨块碎片。

实验结果