导航细微差别:对比分析和神经架构的超参数优化,用于肝脏和肝脏瘤细分的对比增强MRI

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 深度学习架构 深度学习架构

背景情况:

• 准确的医学图像细分对于诊断和治疗规划至关重要.
• 选择最佳的深度学习架构和细分的超参数是具有挑战性的,特别是有限的数据集.

研究的目的:

• 评估和完善七种不同的深度学习架构,用于使用3D对比增强MRI对肝脏和肝脏瘤进行细分.
• 在一个小数据集上确定不同架构的有效性,包括CNN,变压器和混合模型.
• 评估超参数优化对细分性能的影响.

主要方法:

• 使用了60个3D对比增强型MRI扫描 (ATLAS数据集) 的有限数据集.
• 我们比较了七种架构:CNN,变压器和混合CNN/变压器模型.
• 采用贝叶斯式搜索技术进行高效的超参数调整,以优化模型参数并最大限度地减少训练代.

主要成果:

• 混合CNN/变压器模型在这个小数据集上表现出与CNN可比的性能,与对更大的数据集的预期相反.
• 超参数优化带来了更好的细分,肝脏的Dice系数增加了1.7%,瘤细分增加了5.0%.
• 该研究成功优化了参数,提高了器官和瘤的细分精度.

结论:

• 混合CNN/变压器架构是用于医疗图像细分的传统CNN的可行替代方案,即使训练数据有限.
• 有效的超参数优化对于在各种深度学习架构中最大限度地提高细分性能至关重要.
• 这项研究强调了先进的深度学习模型在资源有限的医学成像场景中的潜力.