ASD-Net:一种基于U-Net的新型不对称的空间通道卷积网络,用于精确的脏和瘤图像细分
Zhanlin Ji1, Juncheng Mu1, Jianuo Liu1
1Department of Artificial Intelligence, North China University of Science and Technology, Tangshan, 063009, People's Republic of China.
Medical & biological engineering & computing
|February 7, 2024
概括
一个新的深度学习模型,ASD-Net,显著改善CT图像上的脏和瘤细分,提高早期癌症检测和患者生存率.
科学领域:
- 医学图像分析 医学图像分析
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算病理学计算病理学
背景情况:
- 在CT图像中手动细分脏和瘤是耗时且不一致的.
- 深度学习为自动化和准确的医疗图像细分提供了潜力.
研究的目的:
- 开发一个先进的深度学习网络 (ASD-Net),用于精确的和瘤细分.
- 克服现有方法在细分复杂和小瘤的局限性.
主要方法:
- 拟议的ASD-Net包含了新的自适应空间通道卷积优化 (ASCO) 和密度扩展增强卷积 (DDEC) 块.
- 集成心脏空间金字塔聚合 (ASPP) 和并发的空间和通道挤压和激发 (scSE) 注意力机制.
- 增强的U-Net架构,附带额外的编码层和组合的二进制交叉 (BCE) -子损失函数.
主要成果:
- 与现有的细分网络相比,ASD-Net在KiTS19数据集上的多个评估指标中表现出卓越的表现.
- 该模型在脏和瘤细分任务中实现了高精度.
- 在脏瘤细分召回中,ASD-Net获得了第二名,紧随着Attention-UNet.
结论:
- 拟议的ASD-Net网络为医疗成像中的脏和脏瘤细分提供了强大而准确的解决方案.
- 新的架构组件和损失函数有助于提高细分精度和细节恢复.
- ASD-Net显示显著增强早期瘤检测和改善患者的结果的承诺.
