在胸部CT图像中肺切片定位后脂肪组织细分基于ConvBiGRU和多模块UNet的CT图像
Pengyu Lei1, Jie Li1, Jizheng Yi1,2
1College of Computer and Information Engineering, Central South University of Forestry and Technology, Changsha 410004, China.
Biomedicines
|May 25, 2024
概括
这项研究引入了人工智能模型,用于精确的肺脂肪组织细分,有助于诊断喘和COPD等肺部疾病. 这些模型准确地识别了皮下和内脏脂肪组织,改善了计算机辅助诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 肺部病理学 肺部病理学
背景情况:
- 肺部脂肪组织的分布对于诊断诸如喘,COPD和肺癌等肺部疾病至关重要.
- 精确量化肺脂肪组织对于疾病管理至关重要.
- 全球关于肺内脂肪组织分析的研究存在重大差距.
研究的目的:
- 开发和验证人工智能框架,用于定位肺切片和细分皮下脂肪组织 (SAT) 和内脏脂肪组织 (VAT).
- 通过精确的肺脂肪组织分析,增强肺部疾病的辅助诊断.
- 调查注意力,竞争和多重解析机制对细分精度的影响.
主要方法:
- 用一个ConvBiGRU模型来准确地定位肺切片.
- 修改后的多模块UNet模型与添加权重处罚被用于SAT和VAT细分.
- 注意力,竞争和多重解析机制被整合到UNet架构中以优化性能.
主要成果:
- 拟议的模型实现了高性能指标:92.0% (SAT) 和82.7% (VAT) 的子得分.
- F1得分达到82.2% (SAT) 和78.8% (增值税),精度为96.7% (SAT) 和78.9% (增值税).
- 召回率为75.8% (SAT) 和79.1% (VAT),显示出强大的本地化和细分能力.
结论:
- 开发的AI框架为肺脂肪组织分析提供了高度准确和可靠的方法.
- 该模型显示出在肺部疾病的计算机辅助诊断 (CAD) 系统中应用的巨大潜力.
- 这项研究为了解肺脂肪组织在疾病发病和诊断中的作用提供了有价值的工具.
