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
在FDG PET图像中头癌细分:卷积神经网络和视觉转换器的性能比较
Xiaofan Xiong1, Brian J Smith2, Stephen A Graves3
1Department of Biomedical Engineering, The University of Iowa, Iowa City, IA 52242, USA.
Tomography (Ann Arbor, Mich.)
|October 27, 2023
概括
卷积神经网络 (CNN) 在从FDG PET扫描中细分头癌病变方面表现优于变压器模型. U-Net-CBAM在细分较小的病变方面表现出了优势.
科学领域:
- 医疗图像分析 医疗图像分析
- 在瘤学中的机器学习
- 放射学和计算病理学
背景情况:
- 卷积神经网络 (CNN) 在医学图像细分方面表现出色.
- 视觉转换器正在出现用于计算机视觉任务,包括细分.
- 机器学习模型中的诱导偏差对于具有有限数据的医疗图像细分至关重要.
研究的目的:
- 量化比较基于CNN和基于变压器的网络在[F-18]氧葡萄糖 (FDG) PET扫描中对头癌 (HNC) 病变细分的性能.
- 评估诱导偏差对临床试验数据集中细分性能的影响.
- 评估CNN中注意力机制对HNC病变细分的有效性.
主要方法:
- 在U-Net,U-Net-CBAM (CNNs),UNETR,TransBTS和VT-UNet (变压器) 的性能评估.
- 利用来自ACRIN 6685临床试验的272个不同的FDG PET-CT扫描,包括650个病变 (初级和二级).
- 采用多个错误指标用于定量性能分析.
主要成果:
- 基于CNN的方法实现了卓越的性能,子系数从0.833到0.809.
- 与标准的U-Net相比,U-Net-CBAM显示了较小的病变的更好的细分,突出了注意力机制的好处.
- 该研究确定了与HNC病变细分相关的图像特征.
结论:
- 在FDG PET扫描中,CNN,特别是带有注意力的U-Net变体,对于HNC病变细分在FDG PET扫描中仍然非常有效.
- 基于变压器的模型显示出潜力,但需要为这个特定应用程序进一步优化.
- 准确的细分性能估计需要包括初级和二级病变,以避免偏差.
