边缘引导的多尺度适应性特征融合网络用于肝脏瘤细分
Tiange Zhang1, Yuefeng Liu2, Qiyan Zhao1
1School of Digital and Intelligent Industry, Inner Mongolia University of Science & Technology, Baotou, 014010, China.
Scientific reports
|November 17, 2024
概括
这项研究介绍了MAEG-Net,这是一个新的深度学习网络,用于CT扫描上的自动化肝脏瘤细分. 该方法提高了不同大小和模糊边界的瘤的准确性,改善了诊断支持.
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扫描上对肝脏瘤的自动细分对于诊断和治疗评估至关重要.
- 计算机辅助诊断在临床环境中提供了潜在的成本降低和错误最小化.
- 现有的细分方法与肝脏瘤的不同大小和模糊的界限作斗争.
研究的目的:
- 开发一个先进的深度学习网络,用于CT图像中准确的肝脏瘤细分.
- 为了应对不同的瘤大小和不清晰的瘤边缘所带来的挑战.
- 提高计算机辅助诊断肝脏病理的可靠性和效率.
主要方法:
- 拟议的MAEG-Net,一个具有边缘指导的多尺度自适应特征融合网络.
- 设计了一个多尺度自适应特征融合模块,以集成多尺度信息.
- 引入了边缘意识指导模块,以增强模糊边界的功能学习.
主要成果:
- 在LiTS2017肝脏瘤数据集上获得71.84%的子系数.
- 获得了38.64%的体积计重叠误差 (VOE).
- 与肝脏瘤细分的现有方法相比,表现出更高的性能.
结论:
- 在CT图像中,MAEG-Net有效地对肝脏瘤进行细分,其性能优于目前的技术.
- 该网络的多尺度和边缘感知模块成功地处理瘤大小和边界定义的变化.
- 这种方法在改善临床实践中自动化肝脏瘤分析方面显著有前途.
