使用U-Net和Detectron2的腹部CT图像中的肝脏边缘细分:深度学习模型的注释数据集.
Mohammad Amir Sattari1, Seyed Abed Zonouri1, Ali Salimi2
1Electrical Engineering Department, Faculty of Engineering, Razi University, Kermanshah, Iran.
Scientific reports
|March 14, 2025
概括
在CT扫描中,Detectron2显著改善了肝脏细分,达到0.974 Mask IoU,表现优于U-Net. 这一进步有助于诊断肝脏疾病,并开发自动化医学成像分析.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是指放射学
背景情况:
- 在计算机断层扫描 (CT) 中精确的肝脏边缘细分对于诊断和治疗规划至关重要.
- 复杂的肝脏解剖学和变异性带来了重大的细分挑战.
- 现在可以获得一个新的,大数据集,包括超过4,200张注释的腹部CT图像.
研究的目的:
- 为了比较U-Net和Detectron2深度神经网络模型在CT图像中的肝脏细分的性能.
- 评估模型在处理复杂的解剖变异方面的有效性.
- 为增强和测试细分模型提供一个验证的数据集.
主要方法:
- 使用了4200多张专家注释的腹部CT图像的数据集.
- 实现并比较了两个深度神经网络模型:U-Net和Detectron2.
- 使用面膜交叉与欧盟 (Mask IoU) 度量来评估细分性能.
主要成果:
- 在U-Net的测试中,Mask IoU达到0.903,在较简单的病例中显示出高效率.
- 探测器2的表现超过了U-Net,达到0.974.97的面具IOU.
- Detectron2在细分复杂病例和具有挑战性的肝脏边界划分方面表现出卓越的表现.
结论:
- 检测2显示肝脏细分的高级潜力,特别是在具有显著解剖变异的情况下.
- 该研究为医学图像细分中的深度学习模型提供了比较分析框架.
- 这些发现支持开发用于肝病诊断的自动化系统,并可能应用于其他器官.
