优化集成的深度学习策略,以自动化L3切片检测和腹部细分在计算机断层扫描中
Seungheon Chae1, Seongwon Chae2, Tae Geon Kang3
1Department of Bio-Mechatronic Engineering, College of Biotechnology and Bioengineering, Sungkyunkwan University, Suwon 16419, Republic of Korea.
Bioengineering (Basel, Switzerland)
|April 26, 2025
概括
这项研究提出了一种深度学习方法,可以在CT扫描中自动识别L3切片和细分腹部组织. 这种方法通过提供准确的肌肉和脂肪成分分析来改善癌症诊断和治疗规划.
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L3切片分析腹部组织 (肌肉/脂肪) 对于癌症预后至关重要,但手动细分是耗时的,并遭受了阶级失衡.
- L3切片是CT数据集中的很小一部分,这给自动化分析带来了挑战.
- 目前的方法缺乏强大的策略来处理L3切片和腹部组织的不平衡分布.
研究的目的:
- 开发和验证深度学习策略,用于CT图像中自动化L3切片检测和腹部组织细分.
- 通过整合增强比率和类重量调整来优化深度学习模型,以解决类不平衡.
- 提高对癌症生物标志物发现的身体组成定量分析的可靠性和效率.
主要方法:
- 一项回顾性研究利用了150名前列腺和膀癌患者的CT数据.
- ResNet50用于L3切片检测;Unet,Swin-Unet和SegFormer用于腹部组织细分.
- 贝叶斯优化用于确定最佳增强比率和类重量,减轻L3切片和组织分布不平衡.
主要成果:
- 优化的深度学习模型显著降低了L3切片检测误差,大约为0.68±1.26切片.
- 实现了上部腹部组织细分,Dice系数达到0.987 ± 0.001.1.
- 与没有校正设计变量的模型相比,拟的策略表现出更好的性能,证实了平衡类分布的好处.
结论:
- 使用优化深度学习模型的自动L3切片检测和腹部组织细分可以提高性能.
- 平衡类分布和微调模型参数对于提高医学图像分析的准确性至关重要.
- 这种方法提供了一种可靠的方法来生成自动化生物标志物,支持早期癌症诊断和个性化治疗策略.
