HRU-Net:一个高分辨率的卷积神经网络,用于食道癌放射治疗目标细分
Muwei Jian1, Chen Tao2, Ronghua Wu2
1School of Computer Science and Technology, Shandong University of Finance and Economics, Jinan, China; School of Information Science and Technology, Linyi University, Linyi, China.
Computer methods and programs in biomedicine
|April 22, 2024
概括
这项研究引入了HRU-Net,用于在CT扫描中改善食道状细胞癌的细分. 新的高分辨率U-Net架构增强了对这种具有挑战性的癌症的诊断准确性.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 在CT扫描中精确对食道状细胞癌 (ESCC) 的细分对于诊断和治疗至关重要.
- 挑战包括食道形状不规则,小病变大小,结构不一致,与周围组织差异较低.
研究的目的:
- 在CT图像中提高食道状细胞癌病变的细分精度.
- 开发一个有效的深度学习模型,以改善临床诊断.
主要方法:
- 为CT切片分割开发了一种高效的高分辨率U-Net (HRU-Net) 架构.
- 人力资源使用者网络采用"首先本地化,然后细分"的策略.
- 一个分辨率融合模块 (RFM) 旨在整合多分辨率功能,以增强语义和高分辨率信息.
主要成果:
- 与其他五种传统方法相比,HRU-Net显示出优异的细分结果.
- 该模型有效地区分食道癌与相邻组织.
结论:
- 拟议的HRU-Net显著提高了状食道癌的细分精度.
- 这种先进的模型优于现有方法,并有可能提高ESCC临床诊断的效率.
