MWG-UNet:混合深度学习框架用于胸部X射线图像中的肺部领域和心脏细分
1School of Computer Science and Engineering, Faculty of Innovation Engineering, Macau University of Science and Technology, Taipa, Macau 999078, China.
Bioengineering (Basel, Switzerland)
|September 28, 2023
概括
本研究介绍了MWG-UNet,这是一种用于医疗图像中细分肺部和心脏的深度学习模型. 这种新方法在肺部细分的准确性和特异性方面表现出强的表现.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 深度学习,特别是生成对抗网络 (GAN),已经推进了医疗图像处理.
- 肺和心脏等器官的准确细分对于诊断和治疗规划至关重要.
研究的目的:
- 提出MWG-UNet,这是一种用于增强肺场和心脏细分的新型深度学习模型.
- 为了利用生成对抗网络中的注意力机制,U形网络架构以提高细分精度.
主要方法:
- 开发了MWG-UNet (多任务Wasserstein生成对抗网络U形网络) 模型.
- 将注意力机制集成到发电机组件中,以提高细分性能.
- 使用诸如子相似度,精度,F1分数和交叉点在联盟 (IoU) 等指标评估细分性能.
主要成果:
- MWG-UNet在肺场细分方面实现了高的子相似性 (95.28%),精度 (96.41%) 和F1得分 (95.90%),优于其他模型.
- 肺领域细分的特异性高达0.90%超过了次优模型.
- 达到了71.16%的子相似性和74.56%的IOU的心脏细分,以及85.18%的子相似性和81.36%的IOU肺部领域.
结论:
- 拟议的MWG-UNet在肺部领域细分方面表现出显著的能力,显示出相当大的准确性和特异性.
- 虽然IOU略低于最佳模型,但总体结果表明该方法对医疗图像细分任务的有效性.
- 该模型对多器官细分有希望,特别是在心脏和肺部领域.
