在CT扫描中胰腺细分:一种新的基于MOMUNet的工作流
Juwita Juwita1, Ghulam Mubashar Hassan2, Amitava Datta2
1Department of Computer Science and Software Engineering, The University of Western Australia, Perth, Australia; Department of Informatics, University of Syiah Kuala, Banda Aceh, Indonesia.
Computers in biology and medicine
|May 21, 2025
概括
这项研究引入了一种新的三阶段工作流程,以改善CT扫描中的胰腺自动细分. 该方法提高了准确性和效率,使得医疗机构的资源有限,深度学习更容易获得.
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:
- 在CT扫描中自动分离胰腺对于医疗应用至关重要,但也面临着挑战.
- 胰腺细分是困难的,因为大小差异和CT扫描中的类不平衡.
- 现有的方法在准确性和计算效率方面扎.
研究的目的:
- 开发一种新,高效,准确的三阶段工作流程,用于自动胰腺细分.
- 为了应对阶级不平衡和CT扫描中的解剖学变异的挑战.
- 为低资源医疗机构创建一个超轻量级的深度学习模型.
主要方法:
- 外部轮切割 (ECC) 为了减轻阶级不平衡.
- 尺寸比 (SR) 技术用于提高模型对解剖学变化的强度.
- MOMUNet是一个超轻量级的细分模型 (1.31M参数).
主要成果:
- 在NIH-胰腺数据集上实现了2.56%的子得分 (DSC) 改进.
- 在MSD-胰腺数据集上实现了2.97%的DSC改善.
- 在结肠癌细分方面证明了68.4%的DSC,超过了SOTA.
结论:
- 拟议的工作流显著提高细分精度小腹部器官,如胰腺和结肠.
- 这种方法提高了计算效率,使高级深度学习能够在低资源环境中使用.
- 这项工作推进了自动化医学图像分析,以改善诊断和治疗规划.


