TdDS-UNet:自上而下的深度监督U-Net用于3D结直肠癌的划分
Shuchao Chen1, Fei Xie2, Shenghuan Chen3
1School of Life & Environmental Science, Guilin University of Electronic Technology, Guilin 541004, People's Republic of China.
Physics in medicine and biology
|February 2, 2024
概括
这项研究引入了一种新的深度学习方法,即自上而下的深度监督 (TdDS),用于在3DMRI扫描中准确地划出模糊的结直肠癌边界. TdDS U-Net 模型显著提高了轮划定精度,以更好地检测癌症.
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:
- 从3D医学图像中准确地划分结肠直肠癌 (CRC),特别是在模糊边界的情况下,仍然是一个重大挑战.
- 现有的深度学习方法往往缺乏对处理模糊边界划分问题的深入调查.
研究的目的:
- 开发和评估一个准确的,自动化的方法,用3D成像来划定模糊的结直肠癌边界.
- 引入一种新的深度学习架构,一种具有自上而下的深度监督 (TdDS) 的U-Net,以应对模糊边界细分的挑战.
主要方法:
- 设计了一个编码器-解码器U-Net架构,结合了自上而下的深度监督 (TdDS).
- 在不同的网络阶段,TdDS精细化语义目标,指导粗细划分过程.
- 该方法在103个3D盆腔MRI卷上进行了训练和验证,并在29卷上进行了测试.
主要成果:
- 拟议的TdDS U-Net实现了0.805 ± 0.053的子相似系数 (DSC) 和9.28 ± 5.14 voxels的豪斯多夫距离 (HD).
- TdDS的有效性与注意力机制相似,增强了CRC的轮划分能力.
- 44.49%的划线是令人满意的,不需要修改,表明高性能.
结论:
- TdDS U-Net提供了一个强大而准确的解决方案,用于模糊边界的3D结直肠癌的自动划分.
- 这种方法为临床应用提供了更好的技术支持,用于CRC诊断和治疗计划.
- 该方法的开源可用性促进了医疗图像分析的进一步研究和开发.
