使用深度学习和放射学技术检测周胰腺胀

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 胃肠病学 胃肠病学

背景情况:

• 胰腺炎是一个全球性的健康问题,发病率越来越高.
• 周胰腺胀是胰腺炎进展和预后的关键指标.
• 准确检测周胰腺胀对于有效的患者管理至关重要.

研究的目的:

• 开发和评估使用CT成像检测周围胰腺瘤的自动化方法.
• 引入一种新的,注释的CT数据集,用于胰腺疾病.
• 为了对这个特定的诊断任务进行深度学习和放射学模型的基准测试.

主要方法:

• 创建了一个新的CT数据集,包括255名带有注释的胰腺细分口罩的患者.
• LinTransUNet模型从CT数据评估了胰腺细分.
• 深度学习 (Swin-Tiny变压器) 和放射学 (XGBoost) 分类器被用于周围胰腺胀的检测.

主要成果:

• LinTransUNet实现了80.85%的子系数和68.73%的胰腺细分的mIoU.
• 斯温-蒂尼变压器模型在瘤检测方面表现出很高的性能 (98.85%的回忆,98.38%的精度).
• 基于放射学的XGBoost显示了79.61%的准确性和91.05%的回忆力,提供快速处理.

结论:

• 这项研究提出了第一个自动化方法来检测周胰腺胀.
• 结合深度学习和放射学,为胰腺炎诊断提供了一个强大的策略.
• 开发的数据集和模型可以显著影响胰腺炎的临床评估.