一个双编码器双连接Y形网络,用于精确的体积肝脏和病变细分
Gabriella d'Albenzio1, Yuliia Kamkova2, Rabia Naseem3
1The Intervention Center, Oslo University Hospital, 0slo, Norway; Department of Informatics, University of Oslo, Oslo, Norway.
Computers in biology and medicine
|July 18, 2024
概括
一个新的双编码器双连锁网络 (DEDC-Net) 在CT扫描中准确地细分肝脏和瘤. 这种深度学习方法通过克服细分挑战,改善了肝细胞癌的诊断和手术规划.
科学领域:
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算解剖学的计算解剖学
背景情况:
- 在CT扫描中精确细分肝脏和瘤对于肝细胞癌 (HCC) 诊断和手术规划至关重要.
- 由于类不平衡和结构变异,深度学习方法在自动腹部CT细分方面面临挑战.
- 现有的分段级联方法在计算上昂贵.
研究的目的:
- 引入双编码器双连锁网络 (DEDC-Net),用于同时对肝脏和瘤进行细分.
- 为了增强功能重复使用和优化使用剩余和跳过连接的细分性能.
- 为肝脏和瘤细分提供计算效率高,准确的深度学习解决方案.
主要方法:
- 开发了DEDC-Net,这是一种新的深度学习架构,使用带有剩余和跳过连接的双编码器.
- 评估了DEDC-Net在LiTS数据集上的肝脏和瘤细分.
- 进行了废除研究,比较VGG19和ResNet骨干,并评估注意力机制的影响.
- 在未见的CT数据集 (IDCARDb-01和COMET) 上验证了模型的稳定性.
主要成果:
- 在LiTS数据集上,DEDC-Net在肝脏细分方面获得了0.898的平均 Dice Score (DS),表现优于现有方法.
- 将残余连接集成到一个编码器中最大限度地提高了瘤细分 DS.
- 该模型在IRCADb-01数据集上展示了优异的损伤细分,DS为0.629.
- 在没有额外的注意力门的情况下,DEDC-Net实现了最先进的性能.
结论:
- 在CT卷中,DEDC-Net提供了一种有效和高效的解决方案,用于同时对肝脏和瘤进行细分.
- 拟议的网络架构增强了特征表示,并提高了细分精度.
- 该模型在多个数据集上的性能凸显了其对临床应用的概括性和稳定性.
