相关实验视频
Updated: Jul 21, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
442
在MRI扫描中,以EfficientNetB0和FPN为基础的胃肠道器官的语义细分
Neha Sharma1, Sheifali Gupta1, Mana Saleh Al Reshan2
1Chitkara University Institute of Engineering and Technology, Chitkara University, Rajpura 140401, Punjab, India.
Diagnostics (Basel, Switzerland)
|July 29, 2023
概括
一个新的混合模型准确地对胃肠道 (GI) 器官进行细分,用于放射治疗. 这种细分有助于瘤学家精确向癌症,提高治疗效率并减少肠道癌症患者的副作用.
科学领域:
- 医疗成像医学成像
- 在瘤学中使用人工智能
- 辐射治疗计划 辐射治疗计划
背景情况:
- 胃肠道 (GI) 器官的准确细分对于有效的放射治疗在胃肠道癌症治疗中至关重要.
- 精确的器官细分确保了有针对性的辐射输送,最大限度地减少对健康组织的损害,并减少与治疗相关的副作用.
- 目前的细分方法需要改进,以提高诊断准确性和治疗规划.
研究的目的:
- 开发和评估一种混合编码器-解码器模型,用于生物医学图像中对健康的胃肠道器官进行细分.
- 为了比较不同编码器 (EfficientNet B0,ResNet 50,MobileNet V2,Timm Gernet) 和解码器 (特征金字塔网络 - FPN,PAN,Linknet,MAnet) 架构的性能.
- 评估各种优化器 (Adam,Adadelta,SGD,RMSprop) 对拟议的细分模型的影响.
主要方法:
- 提出了一种混合编码器-解码器模型,利用EfficientNet B0作为特征提取的编码器和FPN作为空间信息恢复的解码器.
- 该模型的性能与替代编码器和解码器架构进行了评估.
- 用Jaccard和Dice系数测量细分精度,以及模型损失和处理时间.
主要成果:
- 拟议的混合型号实现了高性能,子系数为0.8975和贾卡德指数为0.8832.
- 作为一个编码器,EfficientNet B0展示了强大的特征提取能力.
- FPN解码器有效地恢复了空间信息,用于准确的细分.
结论:
- 开发的混合细分模型显示了在精确的胃肠道癌症治疗计划中协助放射瘤学家的巨大潜力.
- 该模型在细分胃肠道器官的准确性可以导致更有效和及时的癌症治疗.
- 这项研究有助于推进AI驱动的解决方案在医学诊断和放射瘤学.
