从CT图像中自动细分肝脏瘤,使用图形卷积网络
Maryam Khoshkhabar1, Saeed Meshgini1, Reza Afrouzian2
1Faculty of Electrical and Computer Engineering, University of Tabriz, Tabriz 51666-16471, Iran.
Sensors (Basel, Switzerland)
|September 9, 2023
概括
这项研究引入了一种新的深度学习方法,用于在CT扫描中准确地细分肝脏瘤和器官,提高诊断精度. 该模型表现出高精度和稳定性,即使在杂的环境中,也能帮助放射科医生进行医学诊断.
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:
- 在CT图像中精确细分肝脏和肝脏瘤对于计算机辅助诊断和生物标志物量化至关重要.
- 分段化的挑战来自相似的器官纹理和强度值,导致错误识别和耗时的手工过程.
- 现有的机器学习方法往往缺乏肝脏细分和瘤识别的精度,速度和可靠性.
研究的目的:
- 在计算机断层扫描 (CT) 图像中开发一种基于深度学习的新技术,用于精确细分肝脏器官和瘤.
- 提高自动化肝脏细分和瘤识别过程的准确性和可靠性.
- 提供一个强大的解决方案,帮助放射科医生在临床决策.
主要方法:
- 提出了一个新的深度学习架构,利用四个切比舍夫图的卷积层和一个完全连接的层.
- 该方法使用公开可用的LiTS17数据库进行训练和评估,用于肝脏瘤细分.
- 在各种噪音条件下评估性能,评估不同信号噪音比率 (SNR) 的稳定性.
主要成果:
- 拟议的方法在LiTS17数据集上实现了高性能指标,包括99.1%的准确性,91.1%的子系数和90.8%的平均IOU.
- 报告的灵敏度,精度和回忆率分别为99.4%,99.4%和91.2%.
- 该模型在肝脏器官细分方面保持了约90%的准确性,即使SNR为-4dB,也显示出显著的噪声弹性.
结论:
- 开发的深度学习技术为CT图像中的肝脏和肝脏瘤细分提供了高度准确和可靠的解决方案.
- 该模型在杂环境中的稳定性表明它在各种临床环境中的实际适用性.
- 预计这种方法将在未来的医学诊断和治疗计划中显著帮助放射科医生和专科医生.
