自动计算机断层扫描图像细分方法用于肝脏瘤,基于修改的标记化多层感知器和注意力机制

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:

• 准确的肝脏和瘤细分对于诊断肝脏疾病至关重要.
• 当前的深度神经网络 (CNN,ViT) 优先考虑准确性而不是速度,限制了快速的临床应用.
• 需要更快的细分方法,而不会影响诊断准确度.

研究的目的:

• 开发用于肝脏瘤的自动计算机断层扫描 (CT) 图像细分方法.
• 目标是减少推断时间,同时保持细分精度.
• 通过实验研究严格验证拟议的方法.

主要方法:

• 开发了一个U形网络,增强了多尺度注意力模块和注意力门.
• 修改的多层感知子 (MLP) 块减少了特征尺寸和计算复杂性.
• 注意门和多尺度注意力机制可以提高对相关特征的关注度,并适应不同的瘤大小.

主要成果:

• 拟议的网络在肝脏瘤细分方面获得了0.713的Dice分数和26毫秒的平均推断时间.
• 性能指标包括体积重叠误差 (0.39) 和平均对称表面距离 (2.04 mm).
• 该模型在2017年肝脏瘤细分 (LiTS17) 公开数据集上得到了验证.

结论:

• 开发的网络提供了高效的肝脏瘤细分,并减少了推断时间.
• 这一进步支持神经网络用于快速临床诊断和治疗规划.
• 这些发现突出了更快,人工智能驱动的医疗图像分析的潜力.