使用混合深度学习框架在超声图像中改善脏细分
Ali Karimi1, Javad Seraj1, Fatemeh Mirzadeh Sarcheshmeh2
1School of Electrical and Computer Engineering, College of Engineering, University of Tehran, Tehran, Iran.
Scientific reports
|January 11, 2025
概括
使用SegFormer和Pix2Pix的新双相方法在超声波图像中实现了精确的脏细分. 这种在Spleenex数据集上验证的方法,优于现有模型,显示了临床适用性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 精确的脏细分对于诊断各种疾病至关重要.
- 现有的细分方法经常与超声波图像固有的复杂性和噪音作斗争.
研究的目的:
- 开发和验证一种用于超声波图像的新,高精度的脏细分方法.
- 介绍Spleenex数据集,这是第一个用于脏超声波细分的数据集.
主要方法:
- 一种两阶段的训练方法,将SegFormerB0用于初始细分和Pix2Pix用于改进.
- 开发和利用Spleenex数据集,包括450张脏超声波图像.
主要成果:
- 拟议的混合方法实现了94.17%的平均交叉在欧盟 (mIoU) 和96.82%的平均子 (mDice) 得分.
- 超越了最先进的模型,包括SSNet,U-Net和VAE的方法.
- 展示了3.64%的平均百分比长度错误 (MPLE) 和在噪音图像上强大的性能.
结论:
- 这种新的双相细分方法为脏成像提供了卓越的准确性和稳定性.
- 斯普莱内克斯数据集和拟议的方法推进了用于大评估的医疗图像分析领域.
