基于细节增强和多尺度特征融合的肝脏细分网络
Lu Tinglan1, Qin Jun2, Qin Guihe3
1Changchun University of Science and Technology, Changchun, China.
Scientific reports
|January 3, 2025
概括
腹部CT扫描中的肝脏细分是具有挑战性的,因为对比度低,器官形状相似. 拟议的DEMF-Net使用了细节增强卷积和多尺度特征融合,显著提高了肝脏细分的准确性.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 腹部CT图像分段,特别是肝脏,由于对比度低和器官形态相似,很难.
- 不同的成像平面 (斜面,冠面,横面) 通过增加形态多样性,进一步复杂化肝脏细分.
研究的目的:
- 开发一种先进的深度学习模型,用于在腹部CT图像中精确细分肝脏.
- 增强学习细微的肝脏特征和多尺度的上下文信息,以提高细分精度.
主要方法:
- 提出了一种新的细节增强卷积 (DE Conv),以改善肝脏特征的提取.
- 在跳过连接中引入了一个多尺度特征融合 (MSFF) 模块,以捕获全球和多尺度肝脏特征.
- 开发了细节增强和多尺度特征融合网络 (DEMF-Net),整合了这些新型组件.
主要成果:
- 在LiTS17数据集上,DEMF-Net显示了肝脏细分性能的显著改善.
- 该模型在分割任务的多个标准评估指标中实现了更高的准确性.
- DE Conv和MSFF模块有效地解决了与低对比度和形态变异相关的挑战.
结论:
- 拟议的DEMF-Net有效地克服了腹部CT肝脏细分传统方法的局限性.
- 细节增强和多尺度特征融合的整合导致了高度准确和强大的肝脏细分.
- DEMF-Net代表了用于肝脏分析的自动化医疗图像分割的重大进步.
