机构名称：
¥ 1.0
摘要：随着到2050年估计的老年群体越来越多，图像引导的最低侵入性程序既越来越流行，也越来越流行，并且对于治疗各种疾病而言是必要的。为了降低新程序的学习曲线，有必要开发更好的指导系统和方法来分析程序性能。由于流体镜检查仍然是可视化的主要模式，因此从流体镜图像进行导管跟踪的能力是这项工作的重要组成部分。本文探讨了在3D打印心脏模型中从流体镜图像中对导管进行具有里程碑意义的检测的使用。我们表明，基于两阶段的深横向跨性神经网络模型架构可以通过在图像中确定导管尖端的坐标之前先定位感兴趣的区域，从而提供改进的性能。该模型的平均误差少于图像分辨率的2％，并且可以在4毫秒内执行，从而使其用于实时术中的潜在用途。坐标回归模型具有直接输出值的优点，该值可用于在将来的应用程序中用于定量跟踪，并且与需要制作整个掩码的语义分割模型相比，可以更易于创建地面真相值（更快地〜50×）。因此，我们认为这项工作具有更大的长期潜力，可以用于更广泛的心脏设备，导管和指南。
基于A-坐标 - 基于深度学习模型 -
主要关键词
相关文件推荐
