使用se-resnext,resnet和特征金字塔网络的级联方法用于瘤细分脏瘤

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 在CT图像中精确的瘤细分对于癌诊断和手术规划至关重要.
• 现有的自动细分方法面临着由于小瘤大小,不规则的形状和可变分布的挑战.
• 需要先进的深度学习技术来克服这些细分困难.

研究的目的:

• 为CT图像中脏瘤开发一个准确和强大的自动语义细分方法.
• 为了应对小瘤体积和不规则瘤形状所带来的挑战.
• 为了利用转移学习来提高细分性能.

主要方法:

• 提出了一种使用转移学习的粗细细分类策略.
• 采用SE-ResNeXt模型进行初始细分和ResNet与特征金字塔网络进行最终细分.
• 用初始细分阶段的输出用于最后的训练阶段.

主要成果:

• 拟议的方法在KITS19数据集上获得了0.7388的Dice得分和0.7321的Jaccard得分.
• 与现有方法相比,展示了有前途的细分性能.
• 粗细的策略有效地处理了瘤大小和形状的变化.

结论:

• 开发的粗细分段方法显示了CT图像中精确瘤细分的巨大潜力.
• 这种方法可以提高诊断准确度,并支持癌治疗的先进外科计划.
• 转移学习整合证明有利于改善细分结果.