基于PCNN图像处理和SE-ResUnet的肝癌细分方法的研究
Lan Zang1,2, Wei Liang1,2, Hanchu Ke3
1State Key Laboratory of Marine Resource Utilization in South China Sea, Hainan University, Haikou, 570228, China.
Scientific reports
|August 7, 2023
概括
这项研究引入了一个改进的Unet模型,用于更准确的肝癌细分. 采用脉冲合神经网络和SE模块的增强模型在识别癌症区域方面表现出卓越的性能.
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:
- 肝癌呈现出微妙的初始症状和复杂的解剖学,使准确的诊断变得复杂.
- 早期和精确检测肝癌对于改善患者的治疗结果至关重要.
研究的目的:
- 开发一种先进的图像细分模型,用于增强肝癌检测.
- 与现有方法相比,提高肝癌细分的准确性和性能.
主要方法:
- 为肝癌细分提出了一种不同的Unet网络模型.
- 图像预处理涉及使用脉冲合神经网络 (PCNN) 算法进行自适应过.
- 该细分模型将SE模块与剩余网络集成在一起,并为UNET的运营采用了双线性插值.
主要成果:
- 拟议的模型表现出优越的细分性能和准确性,比原来的Unet.
- 关键评估指标,包括Dice系数和mIoU,显示至少有2.1%的改善.
结论:
- 开发的基于UNET的模型为准确的肝癌细分提供了有希望的方法.
- 这种方法在临床环境中具有实际应用,用于帮助医生诊断肝癌.
