剩余可变形分割通道和空间U-Net用于自动化肝脏和肝脏瘤细分
S Saumiya1, S Wilfred Franklin2
1Department of ECE, Bethlahem Institute of Engineering, Karungal, Tamil Nadu, India. saumi2424@gmail.com.
Journal of digital imaging
|July 18, 2023
概括
一个新的RDSDSU-Net模型提高了肝脏和肝脏瘤 (LT) 分段的准确性. 这种深度学习方法增强了特征提取,并减少了细分错误,以便更好地分析医疗图像.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 精确的肝脏和肝脏瘤 (LT) 细分至关重要,但由于形状变化和界限不明确,具有挑战性.
- 现有的U-Net细分模型失去了关键的空间和道特征,导致不准确.
研究的目的:
- 为提高肝脏和LT细分的准确性提出一种新的残余可变形分割深度可分离U-Net (RDSDSU-Net).
- 解决当前细分模型在捕捉复杂的形状和位置特征方面的局限性.
主要方法:
- 在编码器中使用残余可变形卷积层 (DCL) 与可变形聚合 (DP) 进行自适应特征提取.
- 引入了一个卷积空间和通道特征分割图形网络 (CSCFSG-Net) 来单独捕获和整合空间和通道信息.
- 在解码器中使用子像素卷积 (SPC) 来减轻棋盘工件和通过总和结合编码器-解码器特征.
主要成果:
- 在3DIRCADb数据集上,RDSDSU-Net实现了高细分精度,肝脏的DICE得分为98.21%,LT细分为93.25%.
- 与现有的肝脏和LT细分技术相比,证明了更高的性能.
结论:
- 拟议的RDSDSU-Net通过保留和整合空间,通道和全球上下文特征,有效地提高肝脏和LT细分的准确性.
- 该模型为肝脏病理的自动化医学图像细分提供了显著的进步.
