改进了SwinUNet的融合变压器和大内核卷积注意力,用于CT图像中的肝脏和瘤细分
Linfeng Jiang1, Jiani Hu2, Tongyuan Huang2
1School of Artificial Intelligence, Chongqing University of Technology, Chongqing, China. linfengjiang@cqut.edu.cn.
Scientific reports
|April 24, 2025
概括
这项研究引入了一种改进的Swin-UNet模型,用于CT扫描中细分肝脏和肝脏瘤. 改进的方法有效地捕捉了上下文,提高了肝细胞癌放射治疗的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 辐射疗法 辐射疗法
背景情况:
- 在CT图像中精确细分肝脏和肝脏瘤对于肝细胞癌放射治疗至关重要.
- 现有的U-Net方法在模糊的界限和低对比度方面扎,导致细分不确定性.
- 缺乏上下文特征提取限制了当前深度学习模型的性能.
研究的目的:
- 在CT图像中增强自动肝脏和肝脏瘤细分.
- 在基于U-Net的模型中解决上下文特征提取的局限性.
- 为了提高辐射治疗规划的细分精度.
主要方法:
- 将全球-本地背景和注意力机制纳入Swin-UNet架构.
- 引入一个Swin-neighborhood融合变压器块 (SFTB) 来捕捉多层次的环境.
- 大内核卷积注意力块 (LCAB) 的设计,以强调突出的特征.
主要成果:
- 在肝脏细分方面获得了高的子分数 (0.9559在LiTS上,0.9610在3D-IRCADb上).
- 在肝癌细分方面表现强 (0.7614在LiTS上,0.7138在3D-IRCADb上).
- 提出的方法有效地区分实例及其边界,克服以前的限制.
结论:
- 结合SFTB和LCAB的新型Swin-UNet显著提高了肝脏和肝脏瘤细分的准确性.
- 这种方法为瘤学中的医疗图像细分任务提供了更强大的解决方案.
- 开发的方法有望提高肝癌放射治疗的精度.
