相关实验视频
Updated: Jul 2, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
401
完全自动化的多器官细分工具适用于非对比和后对比腹部CT:使用双能量CT图像开发的深度学习算法
Sun Kyung Jeon1,2, Ijin Joo3,4,5, Junghoan Park1,2
1Department of Radiology, Seoul National University Hospital, Seoul National University College of Medicine, 101 Daehak-ro, Jongno-gu, Seoul, 03080, Korea.
Scientific reports
|February 22, 2024
概括
一个新的3D nnU-Net算法在CT扫描中准确地分割腹部器官,如肝脏和脏,无论对比度如何. 这种自动化工具使得可靠的器官体积用于临床使用.
科学领域:
- 医疗成像医学成像
- 放射学中的人工智能
- 计算解剖学的计算解剖学
背景情况:
- 准确的腹部器官细分对于诊断和治疗计划至关重要.
- 现有的细分方法经常在CT对比度和图像质量变化方面扎.
- 自动化细分工具可以提高放射学工作流程的效率和一致性.
研究的目的:
- 开发和验证一个完全自动化的3D nnU-Net算法,用于腹部CT的多器官细分.
- 评估算法在非对比和后对比图像上的性能.
- 为了评估从自动化细分获得的器官体积估计的准确性.
主要方法:
- 一个3D nnU-Net算法被训练在双能CT (DECT) 衍生门静脉阶段 (PVP) 和虚拟非对比图像上.
- 该算法在单能 (SE) CT 数据集上进行了测试,包括PVP和真非对比 (TNC) 图像.
- 性能被评估使用子相似系数 (DSCs) 进行细分,并使用类内相关系数 (ICCs) 进行体积估计.
主要成果:
- 该算法在所有扫描类型中实现了肝脏,脏,右脏 (RK) 和左脏 (LK) 的高细分精度 (平均DSC>0.94).
- 胰腺细分显示性能略低 (平均DSC~0.8).
- 对于肝脏,脏,RK和LK体积估计,观察到出色的一致性 (ICC>0.95),超过90%的病例在10%的地面真相范围内.
结论:
- 开发的3D nnU-Net算法证明了在CT图像中对关键腹部器官进行细分的强大和准确的性能.
- 该算法使可靠的器官体积,特别是肝脏,脏和脏,在两种对比增强和非对比设置.
- 虽然有效,但该算法的胰腺细分性能需要进一步改进.
