相关实验视频
Updated: May 11, 2026
08:56
Study of Experimental Organ Donation Models for Lung Transplantation
Published on: March 15, 2024
1.6K
UDBRNet:一种新的不确定性驱动的边界精细网络,用于风险器官细分
Riad Hassan1, M Rubaiyat Hossain Mondal1, Sheikh Iqbal Ahamed2
1Institute of Information and Communication Technology, Bangladesh University of Engineering and Technology, Palashi, Dhaka, Bangladesh.
PloS one
|June 17, 2024
概括
本研究介绍了一种不确定性驱动的边界精细分段网络 (UDBRNet),用于改进CT图像中的器官分段. 这种新的方法在具有挑战性的情况下提高了准确性,超过了现有的技术.
科学领域:
- 医学图像分析分析
- 用于医学成像的深度学习
- 计算解剖学的计算解剖学
背景情况:
- 准确的器官细分对于诊断和手术等医疗应用至关重要.
- 挑战包括器官的变异性,低对比度和模糊的边界.
- 现有的深度学习模型在精确的轮细分方面扎.
研究的目的:
- 开发一种新的深度学习模型,用于CT图像中精确的器官细分.
- 为了应对器官形状变化和低组织对比度所带来的细分挑战.
- 改进医疗图像细分中的边界定义.
主要方法:
- 提出了一个新的卷积神经网络:不确定性驱动的边界精细细分网络 (UDBRNet).
- 使用多行细分解码器生成多个细分面具.
- 使用不确定性数据确定不确定的区域和精细的器官边界.
主要成果:
- 在SegThor数据集上实现了高的子准确性:食道 (0.80),心脏 (0.95),气管 (0.92),大动脉 (0.94).
- 在LCTSC数据集上取得了高的子准确度:食道 (0.71),脊髓 (0.89),心脏 (0.85),左肺 (0.97),右肺 (0.97).
- 与UNet,注意力UNet,FC-denseNet,BASNet,UNet++,R2UNet,TransUNet和DS-TransUNet相比,表现出优越的性能.
结论:
- UDBRNet有效地从CT图像中对器官进行细分,特别是在具有挑战性的条件下.
- 不确定性驱动的边界精细化技术显著提高了细分精度.
- 拟议的网络为临床实践中准确的器官细分提供了一个有希望的解决方案.
