FF Swin-Unet:一个用于NAFLD自动细分和严重性评分的战略
Liting Fan1, Yi Lei2, Feng Song1
1School of Basic Medicine, Shanxi Medical University, Xinjian South Road, Taiyuan, Shanxi, 030001, China.
BMC medical imaging
|July 10, 2025
概括
这项研究引入了使用CT扫描检测非酒精性脂肪性肝病 (NAFLD) 的自动化系统. 人工智能模型准确地细分肝脏和脏,得分NAFLD严重程度,并快速处理数据,减少放射科医生的工作量.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 放射学 信息学 信息学
背景情况:
- 非酒精性脂肪肝 (NAFLD) 是肝癌和心血管疾病的主要风险因素,带来了重大的社会和经济挑战.
- 计算机断层扫描 (CT) 扫描对于NAFLD诊断和严重程度评估至关重要,但手工方法是劳动密集型的,缺乏标准化.
- 现有的研究缺乏标准化方法来从CT扫描中分类NAFLD严重程度,这突显了临床实践中的关键差距.
研究的目的:
- 开发和验证使用计算机断层扫描 (CT) 数据进行非酒精性脂肪性肝病 (NAFLD) 分段和严重性评分的新型自动化系统.
- 提高NAFLD诊断和严重程度分类的效率和准确性,解决当前手动方法的局限性.
- 创建一个用户友好的系统,可以通过Flask-RESTful API部署,以便无地集成到临床工作流中.
主要方法:
- 开发了一个由三个模块组成的系统:半自动 nnU-Net 模块 (SNM) 用于数据集创建,焦点特征融合 Swin-Unet 模块 (FSM) 用于增强肝脏和脏细分,自动化严重性评分模块 (ASSM) 用于NAFLD分类.
- FSM模块使用多尺度特征融合和Swin变压器架构来提高细分精度.
- 该系统集成到Flask-RESTful API中,允许自动预处理,细分和对上传的腹部CT数据进行评分.
主要成果:
- FF Swin-Unet 实现了高细分精度,其 Dice 相似系数 (DSC) 为 95.64%,第 95 个百分位 Hausdorff 距离 (HD95) 为 15.94.94.
- 自动化严重性评分的准确性达到了90%.
- 该系统以速度优化,在大约5秒内评估每个病例,高效处理大量数据,准确度与手动诊断相当.
结论:
- 开发的系统准确高效地处理CT数据,用于自动化NAFLD严重程度评分.
- 这种自动化方法显著减少了医疗专业人员的工作量,提供了大量的临床应用潜力.
- 该系统处理大量数据的速度和准确性在NAFLD管理中呈现出有前途的进步.
