FasNet:一种混合深度学习模型,具有注意力机制和对LiTS17上的肝脏瘤细分的不确定性估计
Rahul Singh1, Sheifali Gupta1, Ahmad Almogren2
1Chitkara University Institute of Engineering and Technology, Chitkara University, Punjab, India.
Scientific reports
|May 21, 2025
概括
混合深度学习模型FasNet显著提高了肝癌细分精度. 这种先进的技术有助于更早地检测并更精确地规划肝细胞癌 (HCC) 的治疗.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 肝细胞癌 (HCC) 是全球癌症死亡的主要原因.
- 准确的肝脏瘤细分对于诊断和治疗计划至关重要.
- 目前的手动细分方法耗时且容易变化.
研究的目的:
- 介绍FasNet,一种新的混合深度学习模型,用于增强肝脏瘤细分.
- 为了提高自动化肝脏瘤细分的精度和可靠性.
- 解决医学成像中的传统手动解释的局限性.
主要方法:
- 开发了FasNet,这是一个混合深度学习模型,结合了ResNet-50和VGG-16架构.
- 集成的通道和空间注意力机制用于功能改进.
- 利用蒙特卡洛脱落来提高模型的稳定性和不确定性估计.
- 对LiTS17数据集的评估性能.
主要成果:
- 在LiTS17数据集上,FasNet获得了0.8766的子系数和0.8487的贾卡德指数.
- 该模型在与几种最先进的细分方法相比显示出更高的性能.
- 注意力机制增强了特征选择,蒙特卡洛脱落提高了强度.
结论:
- FasNet提供精确和自动化的肝脏瘤细分能力.
- 该模型的准确性和可靠性支持早期发现和治疗肝癌的计划.
- FasNet有可能显著提高瘤学患者的治疗结果.
