改善了肺结节细分与压缩刺激扩张注意力基础的残留UNet
Dhafer Alhajim1, Karim Ansari-Asl2, Gholamreza Akbarizadeh1
1Department of Electrical Engineering, Faculty of Engineering, Shahid Chamran University of Ahvaz, Ahvaz, Iran.
Scientific reports
|January 30, 2025
概括
这项研究引入了一种新的基于挤压激发扩展注意力的残留U-Net (SEDARU-Net),用于改进肺结节细分. 塞达鲁网络有效地应对各种节点类型和大小所带来的挑战,在细分任务中实现高精度.
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:
- 肺结节的细分对于早期肺癌检测至关重要,但由于结节的多样性和接近其他结构而面临挑战.
- 现有的自动细分方法经常与结节类型,大小和位置的变化作斗争,特别是在旁多和旁血管结节.
研究的目的:
- 开发和评估一个先进的深度学习模型,SEDARU-Net,用于强大而准确的肺结节细分.
- 通过结合新的建筑组件和预处理技术,解决目前细分具有挑战性的肺结节的方法的局限性.
主要方法:
- 提出了一个基于挤压激发扩展注意力的残余U-Net (SEDARU-Net),具有扩展的卷积,注意力门和残余块.
- 预处理涉及强大的强度规范化和使用YOLOv3.3的兴趣区域提取.
- 该模型在2016年肺结节分析 (LUNA16) 数据集上进行了训练和验证.
主要成果:
- 在LUNA16数据集上,SEDARU-Net实现了高达97.86%的子相似系数,96.40%的IOU,96.54%的灵敏度和98.84%的精度.
- 每个综合组件,包括强度正常化,在子相似系数中都显示出超过2%的显著改善.
结论:
- 拟议的SEDARU-Net,其专门的架构和预处理,显著提高了肺结节细分的准确性.
- 这种方法显示出作为一个临床工具的承诺,用于细分多种肺结节,即使是那些与非结节结构相邻的肺结节.
