通过U-Net网络对肝脏细分进行可解释和强大的深度学习
Maria Chiara Brunese1, Aldo Rocca1, Antonella Santone1
1Department of Medicine and Health Sciences "Vincenzo Tiberio", University of Molise, 86100 Campobasso, Italy.
Diagnostics (Basel, Switzerland)
|April 12, 2025
概括
这项研究引入了一种深度学习方法,用于医疗图像中准确的肝脏细分,改善肝细胞癌等疾病的诊断和治疗计划. 该方法实现了高精度,为临床工作流提供了可靠的解决方案.
科学领域:
- 医学成像分析分析 医学成像分析
- 放射学中的深度学习.
- 计算解剖学的计算解剖学
背景情况:
- 临床成像 (MRI,CT) 对于诊断肝细胞癌等疾病至关重要.
- 准确的肝脏和瘤细分对于分期和治疗计划至关重要.
- 有效的细分会影响诊断的准确性和患者的治疗结果.
研究的目的:
- 开发一种基于深度学习的方法,用于医疗图像中准确的肝脏细分.
- 为了解决改善肝病诊断和治疗规划的迫切需要.
- 将预测的可解释性纳入细分过程.
主要方法:
- 利用U-Net架构与剩余连接进行详细的解剖特征捕获.
- 在两个不同的注释式计算机断层扫描 (CT) 数据集上训练了两个模型.
- 实施了四项实验,以评估模型性能和稳定性.
主要成果:
- 实现了高细分精度,范围从0.81到0.93.
- 在各种数据集和成像条件中展示了强度和概括性.
- 通过突出显示与细分相关的图像区域,提供了可解释性.
结论:
- 拟议的深度学习方法为自动化肝脏细分提供了可靠和高效的解决方案.
- 这项技术有望在临床工作流程和精密医学方面取得重大进展.
- 自动化细分有助于优化肝病的诊断,分期和治疗.
