在MRI中使用混合CNN与变压器层的混合CNN进行关节肝脏和肝脏病变细分

科学领域:

• 医学成像分析分析 医学成像分析
• 放射学中的深度学习.
• 计算病理学计算病理学

背景情况:

• 由于肝癌率的上升,肝脏和肝病变细分的深度学习越来越重要.
• 现有的医疗图像细分网络在MRI中难以准确细分肝病变.
• 结合卷积和变压器架构提供了一个潜在的解决方案,以克服当前的局限性.

研究的目的:

• 引入一种新的混合深度学习网络,SWTR-Unet,用于增强肝脏和肝脏病变细分.
• 评估SWTR-Unet在肝脏MRI和CT数据集上的性能.
• 将SWTR-Unet与最先进的细分网络进行比较.

主要方法:

• 开发了一个混合网络 (SWTR-Unet),集成ResNet,变压器块和U-Net解码器.
• 将网络应用于非对比增强肝脏MRI和公共CT数据集 (LiTS挑战).
• 与其他最先进的网络进行比较评估,进行相关性分析和消去研究.

主要成果:

• 在MRI上,SWTR-Unet实现了高分段精度:肝脏98±2%,病变81±28%.
• 在CT上观察到类似的结果:肝脏的97±2%,病变的79±25%.
• 拟议的网络在MRI上表现出最先进的性能,在CT上表现出具有竞争力的准确性.

结论:

• SWTR-Unet 的细分精度可与手动专家细分相提并论.
• 该方法显示了在临床实践中显著减少时间和资源的潜力.
• SWTR-Unet为肝脏和肝脏病变细分提供了精确有效的解决方案.