一个具有多尺度选择性特征融合的三路网络,为肝脏瘤细分提供边缘启发和边缘指导
Yuanyuan Shui1, Zhendong Wang1, Bin Liu2
1School of Mathematics, Shandong University, Jinan, 250100, China.
Computers in biology and medicine
|December 11, 2023
概括
这项研究引入了一种新的深度学习方法,用于CT扫描中自动细分肝脏瘤. 该方法通过结合边缘检测和区域细分来提高准确性,在基准数据集上获得卓越的结果.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机辅助诊断 计算机辅助诊断
背景情况:
- 自动肝脏瘤细分对于计算机辅助诊断和治疗至关重要.
- 深度学习方法越来越多地用于医疗图像细分.
- 由于瘤的形状,大小和不清楚的边界等不同特征,挑战仍然存在.
研究的目的:
- 开发用于CT图像的准确和强大的自动肝脏瘤细分方法.
- 解决处理复杂瘤特征的现有方法的局限性.
主要方法:
- 一个新的三路深度学习架构,包含多级别选择性特征融合 (MSFF),多道特征融合 (MFF),边缘启发 (EI) 和边缘指导 (EG) 模块.
- 通过融合和选择多尺度特征,MSFF通过适应性来过冗余信息.
- EI和EG模块利用边缘信息来完善细分的准确性.
主要成果:
- 在LiTs2017数据集上实现了85.55%的Dice指数和81.11%的Jaccard指数,超过了最先进的方法.
- 通过对3Dircadb (Dice: 80.14%) 和临床数据集 (Dice: 81.68%) 的交叉数据集验证,证明了概括性和稳定性.
结论:
- 提出的方法有效地提高了自动肝脏瘤细分的准确性和稳定性.
- 多尺度特征和边缘指导的集成为医疗图像细分提供了一个有希望的方向.
