DCTR U-Net:在深度学习的背景下,用于鼻癌的医学图像的自动细分算法
Yan Zeng1,2, PengHui Zeng1, ShaoDong Shen1
1State Key Laboratory of Marine Resource Utilization in South China Sea, School of Information and Communication Engineering, Hainan University, Haikou, China.
Frontiers in oncology
|August 7, 2023
概括
一种新的深度学习模型提高了鼻癌细分精度. 这种人工智能方法改善了瘤区域的识别,这对于受影响人群的诊断和治疗计划至关重要.
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:
- 鼻癌 (NPC) 是一种普遍存在的恶性瘤,特别是在中国南部.
- 精确的NPC细分对于有效的诊断和治疗规划至关重要.
- 现有的细分方法面临的挑战是有限的卷积场.
研究的目的:
- 开发和评估一个新的深度学习网络,以改善鼻癌细分.
- 为了提高识别鼻癌的目标区域的准确性.
主要方法:
- 提出了一个基于U-Net的深度学习模型,包含扩展卷积,变压器和剩余模块.
- 该网络在300个临床病人的病历上使用10倍交叉验证进行了培训和验证.
- 用子相似系数 (DSC) 和平均对称表面距离 (ASSD) 来评估细分性能.
主要成果:
- 拟议的网络实现了0.852.2的子相似系数 (DSC).
- 平均对称表面距离 (ASSD) 记录为0.544毫米.
- 专用模块的集成显著改善了细分性能.
结论:
- 新的深度学习模型有效地解决了卷积场感知中的局限性.
- 实现了全球和本地多级特征融合,提高了细分精度.
- 拟议的网络显示了改善临床环境中鼻癌细分的巨大潜力.
