稀少的深信网络与扩展的局部模糊活跃轮模型基于腹部CT图像的肝癌细分相结合
A Joel Dickson1, J Arul Linsely2, V Antony Asir Daniel3
1Department of Electronics and Communication Engineering, Bethlahem Institute of Engineering, Karungal, Kanyakumari, 629157, Tamil Nadu, India. shabi.jasper@gmail.com.
Medical & biological engineering & computing
|January 8, 2024
概括
从CT扫描中精确细分肝癌对于诊断和治疗至关重要. 一个新的稀疏深信网络与一个活跃的轮模型 (SDBN-ELFAC-LCS-CT) 提高了细分精度,优于现有方法.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算生物学 计算生物学
背景情况:
- 在腹部CT图像中精确的肝癌细分对于诊断和治疗规划至关重要.
- 肝脏和周围组织之间的灰度值的相似性 presents一个重要的细分挑战.
- 现有的细分方法难以精确划分,影响临床决策.
研究的目的:
- 从腹部CT图像提出一种用于精确细分肝癌的新方法.
- 增强功能选择和概括能力,以提高细分性能.
- 使用3D重建技术来完善细分结果.
主要方法:
- 一个稀疏的深信网络 (SDBN) 与用于肝癌细分的扩展局部模糊活性轮模型 (ELFAC) 集成 (SDBN-ELFAC-LCS-CT).
- 在SDBN中整合动态自适应池和残余模块,以促进特征选择和通用化.
- 应用3D重建来完善细分结果.
主要成果:
- SDBN-ELFAC-LCS-CT方法实现了高的子系数,表明了优异的细分精度.
- 与现有的模型相比,如BEVS-LCS-CT,3DBN-ESOA-LCS-CT和ICEDN-LCS-CT.CT,已经证明了显著的改进.
- 报告的子系数高达96.16%,体积重叠误差比比较方法低75.88%,88.75%和71.16%.
结论:
- 拟议的SDBN-ELFAC-LCS-CT方法为CT图像中的肝癌细分提供了强大而准确的解决方案.
- SDBN与ELFAC和3D重建的整合有效地解决了类似的灰度值所带来的挑战.
- 这种新的方法具有显著的潜力,可以通过增强的医学图像分析来改善肝癌诊断和治疗规划.
