21、肾脏体积估计与皮肤病变分类的前沿技术探索

肾脏体积估计与皮肤病变分类的前沿技术探索

肾脏体积估计方法研究

在医学影像分析领域，准确估计肾脏体积对于肾脏疾病的诊断和治疗至关重要。传统基于分割的方法存在诸多问题。例如，活动轮廓和其他能量最小化分割方法虽可通过交叉验证找到最优参数设置，但计算成本高昂且近乎不可行。强度阈值法的平均体积误差（MVE）最高，因为它无法区分强度落在同一用户定义或自动选择范围内的不同器官。3D活动轮廓法即使在最优参数配置下，肾脏表面也会从较弱边界泄漏，导致MVE性能差且时间效率低。

手动方法通常由放射科医生在临床中使用，专家通过获取肾脏的三个主轴，近似为3D椭球体来估计体积。这种方法的MVE约为15%，标准差较高，且每个肾脏样本约需3分钟。

基于卷积神经网络的无分割深度学习方法，以特定2D图像块作为观察域，其MVE与单森林+2D子块方法相似，但比手动临床方法差。

基于回归森林的无分割方法有多种。单森林+2D块方法对心脏双心室效果较好，但对肾脏效果不佳，因为肾脏的大小、形状和方向在不同受试者之间差异较大。采用5×5像素的图像子块学习方法可改善MVE性能，但仍受假阳性估计的影响。使用5×5×2体素的3D子块时，MVE比2D子块更差，可能是由于训练样本数量减少所致。

而提出的双回归+2D子块方法结合了2D子块的面积预测和块的肾脏跨度预测，能显著改善体积估计。森林2的肾脏跨度预测平均准确率约为95.5%，该方法的MVE低于10%，每个肾脏样本的预测时间约为4秒，还可通过GPU实现进一步加速。

方法	平均体积误差（MVE）	预测时间