相关实验视频
Updated: Jul 7, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
405
精确而强大的头部和部器官有风险的自动细分,基于新的CNN微调工作流程
Shunyao Luan1,2, Kun Wu1, Yuan Wu1
1Department of Radiation Oncology, Hubei Cancer Hospital, Tongji Medical College, Huazhong University of Science and Technology, Wuhan, China.
Journal of applied clinical medical physics
|December 21, 2023
概括
本研究介绍了HN-Net,这是一种新的卷积神经网络 (CNN) 微调工作流程,用于医学成像中精确的风险器官细分. 与现有的AI软件相比,开发的方法显著提高了自动细分的准确性.
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:
- 使用人工智能软件对有风险的器官 (OAR) 的自动细分显示出不一致性.
- 准确的OAR细分对于有效的放射治疗计划至关重要.
研究的目的:
- 使用一种新型卷积神经网络 (CNN) 微调方法,开发一个精确而强大的本地化细分工作流.
- 解决人工智能驱动的OAR自动细分中的不一致问题.
主要方法:
- 开发了一种带有注意模块 (HN-Net) 的多尺度轻量余 CNN.
- 用于从公开数据集中进行样本选择,采用了包含不确定性估计的微调工作流.
- 在多个数据集上评估了细分性能,将HN-Net与商业AI软件和其他CNN模型进行比较.
主要成果:
- 在 HN-Net 实现的平均 Dice 值比商业 AI 软件高出 0.14.
- HN-Net的表现优于其他受欢迎的CNN模型,平均子价值为0.79.
- 微调工作流进一步提高了细分精度,平均Dice值为0.02.
结论:
- 商业人工智能软件细分需要仔细审查和针对临床使用的本地化培训.
- 拟议的微调工作流提供了一个可行的方法,用于创建准确和强大的自动细分模型.
- 整合本地和公共数据集可以提高AI细分模型的概括性和准确性.
