LIT-Unet:用于医疗图像细分的轻量级有效模型
Ru Wang1,2, Qiqi Kou3, Lina Dou4
1School of Information and Control Engineering, China University of Mining and Technology, Xuzhou, 221116, China.
Radiological physics and technology
|September 20, 2024
概括
一个新的轻量级网络,LIT-Unet,提供高效和准确的医疗图像自动细分. 这种先进的模型通过提高关键数据集的细分精度,帮助医生进行诊断和治疗规划.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 准确的医学图像细分对于临床诊断和治疗规划至关重要.
- 现有的细分模型可能是计算密集型或缺乏足够的准确性.
- 需要简单,高效和准确的自动细分模型.
研究的目的:
- 设计一个简单而高效的医疗图像自动细分模型.
- 为了促进医疗专业人员更准确的诊断和治疗计划.
- 根据最先进的方法评估拟议模型的性能.
主要方法:
- 提出了一个名为LIT-Unet的混合轻量级网络,具有对称的编码器-解码器U形结构.
- 使用Synapse多器官细分数据集和自动心脏诊断挑战 (ACDC) 数据集进行性能评估.
- 采用子相似系数 (DSC) 和95%的豪斯多夫距离 (HD95) 作为评估指标.
主要成果:
- 在Synapse数据集上,LIT-Unet实现了80.40%的DSC,超过TransUnet的3.8%,HD95为20.67%.
- 在ACDC数据集中,LIT-Unet与其他网络相比,获得了最佳平均DSC91.84%.
- 与补丁扩展相比,可变形令牌合并 (DTM) 提高了1.62%的DSC,证明了该模型的有效性.
结论:
- 拟议的等级LIT-Unet在医疗图像细分方面表现出显著的准确性.
- 该模型的轻量化性质和有效性通过废弃实验得到证实.
- 预计LIT-Unet将为临床诊断和治疗提供可靠的基础.
