MEF-Net:多尺度和边缘特征融合网络用于CT图像中的内出血细分
Xiufeng Zhang1, Shichen Zhang1, Yunfei Jiang1
1Mechanical and Electrical Engineering, Dalian Minzu University, Liaohe West Road 18, Dalian, China.
Computers in biology and medicine
|April 26, 2025
概括
早期诊断内出血 (ICH) 是至关重要的. 一个新的MEF-Net模型在CT扫描中准确地细分脑部出血,改善诊断支持和患者的结果.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经学 神经学
背景情况:
- 内出血 (ICH) 是一种严重的疾病,需要及时诊断.
- 推迟诊断脑出血导致严重残疾或死亡.
- 在CT扫描中精确细分出血瘤有助于诊断和治疗.
研究的目的:
- 开发一种自动化方法,在CT图像中精确细分内出血.
- 通过深度学习提高ICH的诊断效率和准确性.
- 为应对具有多规模,多目标和模糊边缘特征的ICH细分方面的挑战.
主要方法:
- 提出了一个多尺度和边缘特征融合网络 (MEF-Net) 用于ICH细分.
- 使用了一个编码器用于多尺度特征提取和一个边缘检测模块.
- 整合了一个多核注意模块来增强多目标识别.
主要成果:
- 在两个公共数据集上,MEF-Net实现了0.7508和0.7443的平均DICE分数.
- 提出的方法优于现有的几种先进的医学图像细分技术.
- 在内出血细分的准确性方面显著改善.
结论:
- MEF-Net有效地提取和融合多尺度和边缘特征,以实现准确的ICH细分.
- 该网络通过提高细分精度来增强临床医生的诊断支持.
- 这种自动化方法有望改善患者在治疗内出血方面的治疗结果.
