SECP-Net:SE-Connection金字塔网络,用于分类与鼻癌风险的器官

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:

• 在计算机断层扫描 (CT) 图像中,精确的风险器官细分 (OAR) 对于鼻癌 (NPC) 治疗计划至关重要.
• 像U-Net这样的深度学习模型被广泛使用,但在NPC细分中与可变OAR大小和小体积作斗争.
• 传统的方法往往由于全球和多尺寸信息利用不足而失败.

研究的目的:

• 提出一种新的深度学习模型,即SE-Connection Pyramid Network (SECP-Net),用于在NPC中增强OAR细分.
• 解决现有模型在处理可变和小OAR尺寸方面的局限性.
• 为提高NPC患者自动医疗图像细分的准确性和效率.

主要方法:

• 开发了SECP-Net,包括一个SE连接模块和一个金字塔结构,以捕捉全球和多大小的特征.
• 实现了自动上下文级联结构,以改进细分结果.
• 对使用私人头CT和公共肝脏数据集的最新方法进行了比较实验.

主要成果:

• 与现有方法相比,SECP-Net在OAR细分方面表现优越.
• 该模型在私人和公共数据集上取得了最先进的 (SOTA) 结果.
• 通过五倍交叉验证,使用Dice和Jaccard相似度指标评估性能.

结论:

• SECP-Net有效地解决了在NPC CT图像中对变量和小OAR进行细分的挑战.
• 拟议的架构显著提高了细分精度,为临床应用提供了有价值的工具.
• SECP-Net代表了基于深度学习的医疗图像细分用于癌症治疗的重大进步.