S2DA-Net:空间和光谱学习双分支聚合网络用于CT图像中的肝脏瘤细分
Huaxiang Liu1, Jie Yang2, Chao Jiang2
1Department Radiology of Taizhou Hospital, Zhejiang University, Taizhou, 318000, Zhejiang, China; Institute of Intelligent Information Processing, Taizhou University, Taizhou, 318000, Zhejiang, China; Key Laboratory of Evidence-based Radiology of Taizhou, Taizhou, 317000, Zhejiang, China.
Computers in biology and medicine
|April 13, 2024
概括
一个新的深度学习模型,S2DA-Net,通过结合空间和光谱学习来改善肝脏瘤细分. 这种方法提高了肝细胞癌评估和手术规划的准确性,优于现有技术.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 准确的肝脏瘤细分对于肝细胞癌 (HCC) 评估和手术规划至关重要.
- 卷积神经网络 (CNN) 难以应对远程像素依赖性,而变压器则需要高额计算成本.
- 现有的方法需要在特征提取和依赖性建模方面进行改进,以便精确地细分肝脏瘤.
研究的目的:
- 引入空间和光谱学习双分支聚合网络 (S2DA-Net) 以加强肝脏瘤细分.
- 解决CNN和变压器在捕捉复杂的空间和光谱特征方面的局限性.
- 提高医疗成像中自动化肝癌细分的准确性和效率.
主要方法:
- 开发了S2DA-Net,这是一种新型网络,具有双分支编码器 (福里埃光谱学习多尺度融合和多轴聚合哈达马德注意力) 和组多头交叉注意力聚合 (GMCA) 解码器.
- 富里埃光谱学习多尺度融合分支有效地捕获振幅和相位信息.
- 多轴聚合哈达马德注意力分支集成空间上下文,同时最大限度地减少计算负载.
主要成果:
- 在LiTS2017数据集上,S2DA-Net实现了每例Dice (DPC) 的69.4%和全球Dice (DG) 的80.0%.
- 预训练模型表现出强烈的概括性,在3DIRCADb数据集上实现了DPC 73.4%和DG 82.2%.
- 拟议的模型在肝脏瘤细分精度方面显著超过了最先进的方法.
结论:
- 通过其独特的架构,S2DA-Net有效地通过整合空间和光谱学习来细分肝脏瘤.
- 该模型克服了现有方法的局限性,提供了改进的特征表示和远程依赖模型.
- 在肝细胞癌的诊断和治疗规划中,S2DA-Net显示出临床应用的巨大潜力.
