相关实验视频
Updated: Jul 12, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
437
混合CNN转换器网络,用于交互式学习具有挑战性的肌肉骨图像
Lei Bi1, Ulrich Buehner2, Xiaohang Fu3
1Institute of Translational Medicine, National Center for Translational Medicine, Shanghai Jiao Tong University, Shanghai, China; School of Computer Science, University of Sydney, NSW, Australia.
Computer methods and programs in biomedicine
|October 23, 2023
概括
这项研究引入了一种混合深度学习模型,用于改进具有挑战性的肌肉骨图像的细分. 这种新方法提高了医疗成像中的瘤和骨识别等任务的准确性.
科学领域:
- 医学成像分析 医学成像分析
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算机视觉 计算机视觉
背景情况:
- 肌肉骨 (MSK) 区域如瘤和骨的精确细分对于手术规划和生物机械模拟至关重要.
- 目前的深度学习方法 (FCNs) 由于培训数据不足,与显示低对比度,不均的纹理或模糊边界的MSK图像进行斗争.
- 在MSK图像细分方面的挑战限制了关键临床应用的自动化分析的可靠性.
研究的目的:
- 开发一种新的半自动细分方法,用于挑战MSK图像.
- 通过将用户输入与深度学习功能集成,增强具有不常见特征的ROI的细分.
- 通过将FCN与变压器网络相结合,提高对细分的上下文理解.
主要方法:
- 一个混合卷积神经网络 - 变压器网络 (HCTN) 被建议用于半自动的MSK图像分割.
- 用户输入 (例如鼠标点击) 与高级语义特征融合,用于对困难的ROI进行交互式训练.
- 变压器网络与FCN功能一起被利用,以捕捉全球背景,克服FCN的本地模式限制.
主要成果:
- 在各种MSK数据集中,HCTN方法表现出强的性能.
- 获得的子系数 (DSC) 为88.46% (软组织肉瘤),73.32% (骨肉瘤) 和93.93% (关节骨).
- 在各自的数据集上,超越了先进的自动化方法11.7%,19.11%和7.36%的DSC.
结论:
- 与现有方法相比,拟议的HCTN方法为MSK图像细分提供了优越的概括性.
- 混合方法有效地解决了MSK研究中不常见的图像特征所带来的细分挑战.
- 这项工作推进了复杂的肌肉骨成像的自动化分析能力.
