基于深度学习的CT数据异质性蜥蜴爪组织三维分割

蜥蜴爪的精确分割具有重要意义，因为其在材料组成上具有异质性，同时包含骨组织和角蛋白组织。本研究提出了一种深度学习框架，用于基于CT成像数据自动分割蜥蜴爪组织，具体包括骨组织和角蛋白。本文使用了由14个蜥蜴爪组成的数据集，并通过基于超像素的标注方法生成注释，以提供真实值参考分割。 为评估空间上下文对分割性能的影响，研究考察了采用DeepLabV3架构并以ResNet-50、ResNet-101和Inception-ResNet-v2为骨干网络的2D和2.5D卷积神经网络（CNN）模型，随后将其预测结果重建为三维体数据以进行分析。性能评估采用留一交叉验证（LOOCV）策略，并使用三维Dice相似系数（DSC）、交并比（IoU）、敏感性（召回率）、第95百分位Hausdorff距离（HD95）以及相对体积误差（RVE）进行评价。 实验结果表明，2.5D CNN架构在所有评估指标上均持续优于其2D对应模型，凸显了在体积分割任务中引入层间上下文信息的重要性。在所有模型中，2.5D Inception-ResNet-v2取得了最佳的总体性能，验证准确率达到97.5%，并生成了与真实值组织结构高度一致的分割结果。我们的研究结果证明了2.5D深度学习方法在基于CT数据高精度分割异质性蜥蜴爪组织方面的有效性，同时为比较解剖学研究中的自动化形态学分析提供了一个稳健的框架。

蜥蜴爪的精确分割十分重要，因为其在材料组成上具有异质性，同时包含骨组织和角蛋白组织。本研究提出了一种深度学习框架，用于从 CT 成像数据中自动分割蜥蜴爪组织，具体包括骨组织和角蛋白组织。本研究使用了一个由 14 个蜥蜴爪组成的数据集，并通过基于超像素的标注方法生成注释，以提供真实值参考分割。为评估空间上下文对分割性能的影响，研究了采用 DeepLabV3 且分别以 ResNet-50、ResNet-101 和 Inception-ResNet-v2 为骨干网络的 2D 和 2.5D CNN 架构，并将其预测结果进一步重建为三维体数据以进行分析。采用留一交叉验证（LOOCV）策略评估模型性能，并使用三维 Dice 相似系数（DSC）、交并比（IoU）、敏感性（召回率）、第 95 百分位 Hausdorff 距离（HD95）和相对体积误差（RVE）进行评价。实验结果表明，2.5D CNN 架构在所有评估指标上均持续优于其 2D 对应模型，凸显了在体积分割任务中引入层间上下文信息的重要性。在所有模型中，2.5D Inception-ResNet-v2 取得了最佳总体性能，验证准确率达到 97.5%，并生成了与真实值组织结构高度一致的分割结果。我们的研究结果表明，2.5D 深度学习方法能够有效实现基于 CT 数据的异质性蜥蜴爪组织高精度分割，同时为比较解剖学研究中的自动化形态分析提供了一个稳健的框架。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.27.741043v1?rss=1

🏷️ 深度学习 CT三维分割 蜥蜴爪组织 2.5D卷积神经网络 比较解剖学