在MRI扫描中,UMobileNetV2模型用于胃肠道的语义细分
Neha Sharma1, Sheifali Gupta1, Deepali Gupta1
1Chitkara University Institute of Engineering and Technology, Chitkara University, Punjab, India.
PloS one
|May 8, 2024
概括
一个新的UMobileNetV2模型在MRI扫描中准确地细分胃肠道 (GI) 器官. 这种人工智能工具有助于放射瘤学家,改善癌症治疗速度和精确度,用于胃和肠道瘤.
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:
- 胃肠道 (GI) 癌症是癌症死亡的重要原因.
- 对肠道器官的准确细分对于有效的放射治疗至关重要.
- 当前的细分方法可能耗时,可能缺乏精度.
研究的目的:
- 在MRI图像中开发和评估肠道器官 (胃,小肠,大肠) 的自动语义细分模型.
- 为了提高器官细分的速度和准确性,用于放射治疗规划.
- 将拟议的UMobileNetV2模型的性能与其他转移学习架构进行比较.
主要方法:
- 使用MobileNetV2作为编码器和UNet层作为解码器设计了一个UMobileNetV2模型.
- 该模型在华盛顿大学麦迪逊分校的数据库中进行了训练和评估,包括85名患者的38496个MRI扫描.
- 使用诸如子系数和IoU (交叉点) 等指标评估性能,并与Xception,ResNet101和NASNet移动编码器进行比较.
主要成果:
- 使用Adam优化器的UMobileNetV2模型,与其他转移学习模型相比,表现出卓越的性能.
- 获得了0.8984的子系数和0.8697.7的IOU.
- 获得了0.1310的验证损失,表明胃和肠道的可靠细分.
结论:
- UMobileNetV2模型提供了一种可靠和自动化的解决方案,用于在MRI图像中对肠道器官进行细分.
- 这项技术有潜力通过协助放射瘤学家显著加快癌症治疗.
- 开发的模型有望提高胃肠道癌症治疗计划的精度和效率.
