相关实验视频
Updated: Sep 17, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
529
增强腹部多器官细分,使用3D UNet和UNet++深度神经网络,使用MONAI框架
P S Tejashwini1, J Thriveni2, K R Venugopal2
1University of Visvesvaraya College of Engineering, Bengaluru, India. tejashwinirnk@gmail.com.
Abdominal radiology (New York)
|June 30, 2025
概括
本研究介绍了3DUNet和UNet++模型,用于使用Secretary Bird优化精确的腹部器官细分. 这些模型在多个数据集上获得了高的子相似系数得分,证明了它们在临床应用中的有效性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算解剖学的计算解剖学
背景情况:
- 准确的腹部器官细分对于医学分析和治疗计划至关重要.
- 挑战包括解剖学变异性,复杂的器官形状和CT/MRI扫描中的噪音.
研究的目的:
- 为多器官腹部细分提出和评估3D UNet和UNet++架构.
- 用先进的深度学习技术和优化解决细分挑战.
主要方法:
- 在MONAI框架内实施3D UNet和UNet++架构.
- 利用跳过和密集的连接来增强功能提取.
- 使用秘书鸟优化 (SBO) 进行参数优化.
- 对胰腺CT,肝CT和BTCV数据集的评估.
主要成果:
- 在数据集中获得了高的子相似系数 (DSC) 得分.
- 3D UNet++在胰腺CT (95.62%对94.54%) 和肝CT (97.36%对95.67%) 上表现优于3D UNet.
- 这两种模型在BTCV数据集上都表现出强的表现 (DSC 93.42%95.31%).
结论:
- 拟议的3DUNet和UNet++模型对于多器官腹部细分来说是强大而高效的.
- 优化SBO的架构提高了医学成像的准确性.
- 在复杂的腹部成像任务中被验证为临床应用和可扩展解决方案.
