MF-ResUnet:一种基于多尺度特征融合的3D肝脏图像分割方法

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 从CT图像中自动细分肝脏具有挑战性,因为肝脏的形状可变,与相邻器官具有相似的强度配置文件,以及模糊的边界.
• 准确的肝脏细分对于各种医疗应用中的诊断和治疗计划至关重要.

研究的目的:

• 开发一种先进的3D肝脏细分方法,克服医疗图像分析中的现有挑战.
• 通过使用深度学习技术,提高自动肝脏细分的准确性和稳定性.

主要方法:

• 一个3D肝脏细分网络,结合多层次特征融合.
• 利用SE频道注意力进行特征重新校准和AMF模块进行丰富的空间信息.
• 引入了NGAB模块,以减轻扩张卷积的影响,增强特征表示.

主要成果:

• 在LiTS2017数据集上获得0.977的子相似系数 (DSC).
• 在3DIRCADb数据集上获得0.967的DSC,证明了高分段精度.
• 拟议的方法有效地捕捉了用于改善肝脏细分的多尺度特征.

结论:

• 开发的方法显示了对准确和高效的肝脏自动细分的重大前景.
• 多尺度特征融合方法有效地解决了CT图像中肝脏细分的复杂性.
• 这项工作有助于推进用于肝脏相关疾病的自动化医学图像分析工具.