基于改进的U-Net和SegmentAnything模型 (SAM) 的CT肺病变的快速细分
Wensong Yan1, Yunhua Xu2, Shiju Yan1
1School of Health Science and Engineering, University of Shanghai for Science and Technology, Shanghai, China.
Journal of X-ray science and technology
|May 12, 2025
概括
本研究引入了一种改进的U-Net和SegmentAnything模型 (SAM),用于CT扫描中精确的肺损伤细分. 这种新的方法提高了智能肺病诊断的诊断准确度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 计算机断层扫描 (CT) 对于诊断肺部疾病至关重要.
- 在CT图像中精确细分肺病变对于智能诊断系统至关重要.
- 现有的方法很难处理模糊的病变特征,并将其与周围组织区分开来.
研究的目的:
- 开发一种快速细分方法,以提高CT图像中的肺病变的准确性.
- 为了应对模糊的病变特征和背景干扰所带来的挑战.
- 增强计算机辅助肺部疾病诊断系统的能力.
主要方法:
- 提出了一种结合改进的U-Net和SegmentAnything模型 (SAM) 的提示式细分方法.
- 增强的U-Net具有多尺度注意模块 (高效通道注意) 以进行详细的特征识别.
- 集成了一个提示式剪切模块,以结合临床先验知识和减少背景噪音.
主要成果:
- 在两个数据集 (LUAN16和上海胸部医院) 上实现了80.12%和92.06%的子系数.
- 在各自的数据集上获得了81.25%和91.91%的积极预测值.
- 与现有的主流细分方法相比,表现出优越的性能.
结论:
- 拟议的方法显著提高了CT图像中肺病变的细分精度.
- 提高计算机辅助诊断系统的自动化水平.
- 在实践中为放射科医生提供更有效的临床援助.
