多尺度通道注意力U-Net:用于医学成像中的自动胆囊细分的新框架
Yiming Zhou1, Xiaobo Wen2,3, Kang Fu1
1Department of Hepatobiliary Pancreatic Surgery, The Affiliated Hospital of Medical College of Qingdao University, Qingdao, Shandong, China.
Frontiers in oncology
|February 12, 2025
概括
新的多级通道注意力U-Net (MCAU-Net) 模型在肝癌患者的CT扫描中准确地细分了胆囊. 这种人工智能工具可以提高医生的效率和复杂病例的细分精度.
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:
- 准确的胆囊细分对于肝癌治疗计划至关重要.
- 目前的细分方法可能缺乏精度,特别是对于复杂的解剖结构.
研究的目的:
- 开发和评估多尺度通道注意力U-Net (MCAU-Net) 模型,用于CT图像上的胆囊自动细分.
- 根据现有的细分模型评估MCAU-Net的性能.
主要方法:
- 从120名肝癌患者的CT图像数据集被追溯收集.
- 经过MCAU-Net模型的训练和验证,使用子相似系数 (DSC),贾卡德相似系数 (JSC) 和其他指标评估性能.
- 对训练集进行了数据增强.
主要成果:
- 在测试组中,MCAU-Net 实现了高性能指标,包括 0.85 ± 0.22 的 DSC 和 0.79 ± 0.23 的 JSC.
- 该模型在DSC,JSC,PPV,SE,HD,RVD和VOE中显示出与U-Net,SEU-Net和TransUNet相比的显著改进.
- 定性分析表明,与专家划分相比,MCAU-Net产生了更准确和更平滑的边界.
结论:
- MCAU-Net模型为CT图像的自动胆囊细分提供了显著的进步.
- 该模型的准确性和稳定性符合临床要求,提高了医生在肝癌管理中的效率.
