对肝脏和瘤细分的解码器进行比较研究,使用基于自我ONN的级联框架
Sidra Gul1,2, Muhammad Salman Khan3, Md Sakib Abrar Hossain3
1Department of Computer Systems Engineering, University of Engineering and Technology, Peshawar 25000, Pakistan.
Diagnostics (Basel, Switzerland)
|December 17, 2024
概括
这项研究引入了自组织神经网络 (Self-ONN),用于CT扫描中准确的肝脏和瘤细分. 计算机辅助诊断系统精确识别恶性瘤,改善早期发现肝癌.
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:
- 准确的肝脏和瘤细分对于早期肝癌诊断至关重要.
- 手动翻译是耗时且容易出现错误的.
- 计算机辅助诊断 (CADx) 系统提供了高效的替代方案.
研究的目的:
- 开发和评估一个级联编码-解码自组织神经网络 (Self-ONN),用于精确的肝脏和瘤细分.
- 将 Self-ONN 的性能与其他架构 (如 U-Net, FPN 和 U-Net++) 进行比较.
- 评估使用ResNet和DenseNet骨干转移学习的实用性.
主要方法:
- 为肝脏和瘤细分提出了一种级联编码解码器自我ONN模型.
- 第一个阶段细分肝脏;第二个阶段细分肝脏感兴趣区域内的瘤.
- 为了进行比较,研究了具有ResNet/DenseNet骨干的替代架构 (U-Net,FPN,U-Net++).
主要成果:
- 使用ResNet18骨干的Self-ONN实现了98.18%的子相似系数 (DSC) 和97.44%的交叉在联盟 (IoU) 上的肝脏细分.
- 使用DenseNet201编码器的自动ONN实现了92.84%的DSC和91.75%的IOU,用于瘤细分.
- 拟议的方法在细分各种大小的瘤,包括小病变方面表现出高准确性.
结论:
- 级联式的Self-ONN模型准确地对肝脏瘤进行细分,性能优于手工方法.
- 该系统有效地识别出小而难以检测的肝病变.
- 这种人工智能驱动的方法可以提高早期诊断肝脏恶性瘤.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
09:49Dual-phase Cone-beam Computed Tomography to See, Reach, and Treat Hepatocellular Carcinoma during Drug-eluting Beads Transarterial Chemo-embolization
Published on: December 2, 2013
10.3K
