2.5D UNet具有上下文感知特征序列融合,用于精确的食道瘤语义细分
Kai Xu1, Feixiang Zhang1, Yong Huang2
1School of the Internet, Anhui university, Anhui, 230039, People's Republic of China.
Physics in medicine and biology
|March 14, 2024
概括
在CT扫描中准确地细分食道瘤是具有挑战性的. 一个新的2.5D模型通过在图像切片内和图像切片之间融合特征来提高细分精度,帮助临床诊断.
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:
- 在计算机断层扫描 (CT) 图像中精确细分食道瘤对于诊断和治疗至关重要.
- 目前的细分方法面临挑战,因为瘤的特征如小尺寸,可变的形状/位置和低对比度,限制了实际应用的准确性.
研究的目的:
- 开发一种先进的深度学习模型,以改善CT序列中的食道瘤细分.
- 解决现有方法在准确捕捉瘤特征和背景方面的局限性.
主要方法:
- 提出了一个新的2.5D上下文感知特征序列融合UNet (2.5D CFSF-UNet) 模型.
- 在UNet跳过连接中进行集成的切片内多层次注意力特征融合 (切片内MAFF),以增强特征学习.
- 在UNet中心桥中使用了切片间上下文融合块 (Inter-slice CFB) 来保存切片间结构信息.
主要成果:
- 获得了87.13%的子相似系数 (DSC).
- 获得了79.71%的欧盟交叉点 (IoU).
- 在430名患者的数据集上达到2.4758毫米的豪斯多夫距离 (HD).
结论:
- 2.5D CFSF-UNet模型显著提高了食道瘤细分的准确性和CT图像中的轮一致性.
- 拟议的方法显示了在食道癌症管理中成功临床应用的潜力.
