相关实验视频
Updated: May 31, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
363
深度学习架构的自适应进化优化,用于聚焦肝脏超声波图像分割
Ali Zifan1, Katelyn Zhao1, Madilyn Lee1
1Division of Gastroenterology and Hepatology, University of California San Diego, San Diego, CA 92093, USA.
Diagnostics (Basel, Switzerland)
|January 25, 2025
概括
一个自适应进化算法优化深度学习模型,用于精确的肝脏超声波细分,提高肝脏脂肪测量的准确性. 这种方法在具有挑战性的超声波图像中提高了细分性能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 由于图像质量和可变性差,肝脏超声波细分很困难.
- 标准的深度学习 (DL) 模型可能不适合特定的肝脏超声波细分任务.
- 精确的细分对于定量超声波 (QUS) 肝脂肪测量至关重要.
研究的目的:
- 开发一个可通用的框架,用于优化肝脏超声波细分的DL模型.
- 为了提高定量超声波应用的细分精度.
- 调整DL架构以提高对具有挑战性的肝脏超声波图像的性能.
主要方法:
- 一个可概括的框架,利用适应性进化遗传算法来优化U-Net DL模型.
- 同时调整网络深度,宽度,停机和跳过连接.
- 根据肝脏超声波的细分性能评估各种U-Net配置.
主要成果:
- 经过深度4和过器大小 [16, 64, 128, 256] 的优化U-Net模型实现了最高的平均调整后子得分,即0.921.
- 适应性进化优化显著超过了其他配置.
- 使用三重交叉验证和早期停止来验证结果.
结论:
- 适应性进化优化有效地增强了用于肝脏超声波细分的DL架构.
- 优化的模型显示了使用QUS.US改进肝脂肪测量的显著潜力.
- 未来的研究可以将这种优化方法扩展到其他成像模式和DL架构.
