相关实验视频
Updated: May 22, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
340
用域随机化在图像和特征空间中的深度学习用于CT和MRI扫描上的腹部多器官细分
Yu Shi1,2, Lixia Wang1, Touseef Ahmad Qureshi1
1Biomedical Imaging Research Institute, Cedars-Sinai Medical Center, 6500 Wilshire Blvd, Los Angeles, CA 90048.
Radiology. Artificial intelligence
|May 21, 2025
概括
一个新的深度学习模型与域随机化显著提高腹部器官细分的准确性和泛化跨不同的CT和MR成像站点和模式. 与现有算法相比,这种方法提高了性能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是指放射学
背景情况:
- 在CT和MR图像上精确细分腹部器官对于诊断和治疗规划至关重要.
- 现有的深度学习模型往往在不同的成像站点和模式中难以概括.
研究的目的:
- 开发一种深度学习细分模型,用于CT和MR图像上的腹部器官,具有高精度和概括性.
- 提高跨站点和跨模式应用的模型稳定性.
主要方法:
- 一个扩展的nnU-Net模型被用于腹部器官细分.
- 在图像和特征空间中应用了一种新的域随机化技术,以提高概括性.
- 该方法在公开的前列腺MRI,腹部CT/MRI数据集和AMOS数据集上得到验证,与TotalSegmentator和MRSegmentator进行比较.
主要成果:
- 与最先进的方法相比,域随机化方法在跨站点和跨模式数据集上表现出更高的概括能力.
- 拟议的细分模型在未见测试域中表现优于TotalSegmentator和MRSegmentator,平均获得0.88.8的子相似系数 (DSC).
- 统计学意义得到证实,P<.001对于性能改善.
结论:
- 结合图像和特征域随机化,有效地提高了基于深度学习的腹部细分的准确性和概括性.
- 这种方法为在使用CT和MR成像的各种临床环境中强大的腹部器官细分提供了有希望的解决方案.
