走向一个通用的计算机断层扫描图像细分模型,用于解剖结构和病变
Xi Ouyang1, Dongdong Gu1, Xuejian Li1
1Department of Research and Development, United Imaging Intelligence, Shanghai, China.
Communications engineering
|October 13, 2024
概括
一个新的通用医学图像细分模型 (gCIS) 通过同时学习多个任务来改进计算机断层扫描 (CT) 分析. 这种方法提高了细分性能,并允许高效地适应新的细分挑战.
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:
- 医疗图像细分的深度学习模型经常使用特定任务的数据,忽略了任务间的关系.
- 采用统一的方法可能会提高跨多种细分任务的性能和概括性.
研究的目的:
- 为计算机断层扫描 (CT) 卷开发一个一般医学图像细分模型.
- 证明跨多个任务的联合学习可以提高细分性能.
- 通过使用文本提示,实现各种CT任务的自动细分.
主要方法:
- 开发了使用共享的基于变压器的编码器的通用CT图像分割 (gCIS) 模型.
- 集成的自动路径模块用于基于任务提示符的解码.
- 在一个大数据集上训练模型,其中包括36,419个CT扫描在83个任务中.
主要成果:
- 在多个细分任务中实现了82.84%的平均子系数.
- 通过文本提示和自动路径路由证明了各种任务的自动细分.
- 以最少的训练数据和参数修剪能力,展示了对新任务的高效适应.
结论:
- 与一般模型一起共同学习各种细分任务可以提高CT图像细分性能.
- 该CGIS模型为医疗图像分析提供了灵活性,效率和适应性.
- 自动路径路由使网络优化和快速学习新任务成为可能.


