相关实验视频
Updated: Jul 9, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
406
通过网络赋权视觉变压器 超参数选择全骨盆前列腺规划 目标体积自动细分 目标体积自动细分
Hyeonjeong Cho1,2, Jae Sung Lee2, Jin Sung Kim1
1Department of Radiation Oncology, Yonsei Cancer Center, Heavy Ion Therapy Research Institute, Yonsei University College of Medicine, Seoul 03722, Republic of Korea.
Cancers
|December 9, 2023
概括
这项研究优化了视力转换器U-Net (VT U-Net) 的前列腺规划目标体积 (PTV) 分段. 超参数调整提高了准确性,证明了它对于医学成像中先进的深度学习模型的必要性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射治疗规划 放射治疗规划
背景情况:
- 像U-Net这样的卷积神经网络 (CNN) 用于器官细分,但在规划目标体积 (PTV) 细分方面遇到了困难.
- 视觉转换器 (VT) 为医疗图像分析提供了一个新的架构.
- nnU-Net提供了一个优化网络超参数的框架.
研究的目的:
- 使用视觉转换器U-Net (VT U-Net) 来改善前列腺PTV的自动细分.
- 为VT U-Net.优化关键的超参数 (补丁大小,嵌入式维度).
- 评估超参数调节的 VT U-Net 与其他深度学习模型的性能.
主要方法:
- 采用VT U-Net架构用于前列腺PTV细分.
- 应用nnU-Net启发的超参数优化,专注于补丁大小和嵌入式维度.
- 在140个CT扫描中进行了四重交叉验证.
- 与其他七个深度学习网络相比,比较了 VT U-Net v.2 的性能.
主要成果:
- 超参数调节的 VT U-Net v.2 实现了 82.5% 的平均子相似系数 (DSC) 和 3.5.5 的 95% 的豪斯多夫距离 (HD95).
- 这一表现优于最近提出的其他七个深度学习网络.
- 尽管使用卷积层,但nnU-Net在超参数优化后也显示出具有竞争力的结果.
结论:
- 超参数调整对于优化深度学习模型至关重要,包括新的视觉转换器架构.
- 优化的VT U-Net v.2显示了在放射治疗中精确的前列腺PTV自分化的显著潜力.
- 这项研究强调了为推进医学图像细分技术而需要仔细选择超参数的必要性.
