一种优化的两阶段U-Net方法,用于胰腺和胰腺瘤的细分
Himali Ghorpade1, Shrikrishna Kolhar1, Jayant Jagtap2
1Symbiosis Institute of Technology, Symbiosis International (Deemed University), Pune, Maharashtra, India.
MethodsX
|October 22, 2024
概括
这项研究提出了一种新的两阶段U-Net模型,用于自动化胰腺和胰腺瘤细分. 这种混合方法利用灰狼边境牧羊犬优化 (GWBCO) 来提高早期癌症检测的诊断准确性.
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:
- 胰腺和胰腺瘤细分给放射科医生带来了重大挑战.
- 自动化细分方法对于提高诊断准确性和早期干预至关重要.
- 基于U-Net的深度学习模型通常用于瘤细分任务.
研究的目的:
- 引入一种创新的混合两阶段U-Net模型,用于细分胰腺和胰腺瘤.
- 通过一种新的优化技术来提高细分性能.
- 提高诊断准确度,促进早期,精确的医疗干预.
主要方法:
- 开发一种混合的两阶段U-Net模型,用于同时对胰腺和瘤进行细分.
- 组合的元启发式优化技术的实施:灰狼边境犬优化 (GWBCO).
- 使用关键性能指标进行评估,包括子相似系数 (DSC),贾卡德指数 (JI),灵敏度,特异性和精度.
主要成果:
- 拟议的模型在胰腺细分方面实现了高达93.33%的子相似系数 (DSC).
- 该模型在胰腺瘤细分方面表现出强的表现,DSC为91.46%.
- 该GWBCO优化技术显著提高了细分性能.
结论:
- 混合两阶段U-Net模型有效地解决了胰腺和胰腺瘤细分的挑战.
- 集成GWBCO优化可以提高医学图像分析的准确性和效率.
- 这种方法支持医疗专业人员在早期诊断和精确的胰腺癌治疗计划.
