边界意识的语义细分使用金字塔扩展密集U-Net用于肺部细分在计算机断层扫描图像中的图像
1Department of Computer Science and Engineering, GMR Institute of Technology, Rajam, Andhra Pradesh, India.
Journal of medical physics
|August 14, 2023
概括
一个新的深度学习模型,PDD-U-Net,在CT扫描中准确地细分肺部,即使有异常. 这种高效的方法通过精确识别肺部区域来改善计算机辅助诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 在CT图像中精确的肺部细分对于诊断各种呼吸系统疾病至关重要.
- 现有的方法与含有结节,空洞或巩固的病态肺部图像作斗争.
- 深度学习为强大和自动化的细分解决方案提供了潜力.
研究的目的:
- 提出一个高效和准确的深度学习模型,用于从CT图像中进行强大的肺部细分.
- 为了应对细分肺部的挑战,有异常,如结节,空洞和巩固.
- 为了评估新型细分架构和损失函数的有效性.
主要方法:
- 开发一个包含金字塔扩展卷积块的金字塔扩展密集U-Net (PDD-U-Net) 模型.
- 在嵌套的U-Net解码器中集成浅流和深流功能,以增强细分.
- 对三种损失函数的研究,重点是形状感知损失函数,用于精确的边界划定.
- 在肺CT细分挑战 (LCTSC) 和LIDC-IDRI数据集上测试模型.
主要成果:
- PDD-U-Net模型在标准和病理肺部CT图像上实现了高分段精度.
- 在LIDC-IDRI数据集上获得了0.983的Dice系数,在LCTSC数据集上达到0.994.
- 与其他评估的细分方法相比,表现出优异的性能.
结论:
- 形状意识丧失的PDD-U-Net模型是CT图像中肺部细分的有效和准确方法,能够很好地处理异常.
- 该模型的架构结合了金字塔扩展卷积和嵌套的U-Net解码器,提高了细分精度.
- 这种方法具有显著的潜力,可以通过快速准确的肺部区域分析来改进计算机辅助诊断系统.
