基于3D U-Net和ResNet算法的CT图像上的自动质细分和分类
Tongtong Zhao1, Zhaonan Sun1, Ying Guo1
1Department of Radiology, Peking University First Hospital, Beijing, China.
Frontiers in oncology
|June 5, 2023
概括
本研究引入了一种使用3D U-Net和ResNet的自动化深度学习方法,用于CT扫描中精确的质细分和分类,在本地化和分类方面实现高精度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 在CT图像中精确评估质量对于患者管理至关重要.
- 手动细分和分类病变可能是耗时和主观的.
- 深度学习为医疗成像数据的自动化分析提供了潜力.
研究的目的:
- 开发和验证一个级联深度学习方法,用于CT图像中的自动质细分和分类.
- 使用3D U-Net进行边界细分和质检测/细分.
- 使用ResNet进行细分质的分类.
主要方法:
- 开发了一个级联深度学习架构,将3D U-Net和ResNet结合起来.
- 3D U-Net用于初始脏边界细分,以定义感兴趣的区域.
- 一个整体的3D U-Net模型进行了大规模检测和细分,随后进行了ResNet分类.
主要成果:
- 该算法在脏边界细分方面获得了0.99的子相似系数 (DSC).
- 质划分的平均DSC为0.75和0.83.
- 质检测的回忆率为84.54%和75.90%,分类准确率为86.05% (<5毫米) 和91.97% (≥5毫米).
结论:
- 成功开发了一种基于深度学习的全自动化方法,用于CT图像中的质细分和分类.
- 该算法证明了对质的准确定位和分类能力.
- 这种自动化方法有望提高质量评估的效率和准确性.
