基于深度学习的解决方案的性能提升,用于MRI扫描上的喉气道空间分割
Chattapatr Leeraha1, Worapan Kusakunniran2, Nutcha Yodrabum3
1Faculty of Information and Communication Technology, Mahidol University, Nakhon Pathom, 73170, Thailand.
Scientific reports
|August 24, 2024
概括
2D U-Net 模型最好对喉气道空间进行细分,这对于医学应用至关重要,比如创建图宾根 palatal 板块. 其他神经网络和增强策略显示出不太理想的结果.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
背景情况:
- 精确的喉气道空间分割对于医疗应用至关重要,包括创建图宾根 palatal板.
- 评估各种神经网络架构对于确定这种细分任务的最佳方法至关重要.
研究的目的:
- 为了比较各种神经网络模型用于喉气道空间细分.
- 评估额外的绩效提升策略的有效性.
主要方法:
- 各种神经网络模型的比较: 2D/3D U-Net,Deeplabv3,YOLOv8,Swinv2 UNETR,SegFormer,以及3D MRU-Net. 这三种神经网络模型的比较.
- 绩效提升策略的评估:多阶段培训和利用未标记的数据进行预训练.
主要成果:
- 2D U-Net实现了最高的性能,平均子得分为0.9180 ± 0.0111.
- 只有两种增强策略略略微改善了结果,这表明计算成本增加的附加值有限.
结论:
- 在评估的模型中,2D U-Net是对喉气道空间细分最有效的模型.
- 性能提升策略提供最小的收益,可能无法证明所需的计算资源增加是合理的.
