相关实验视频
Updated: Sep 15, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
528
一种基于3D U-Net的预处理方法,用于腹部细分
Hasan Basri Öksüz1, Rahime Ceylan2
1Konya Technical University, Vocational School of Technical Sciences, Department of Electronics and Automation, Selçuklu, Konya, 42250, Turkey.
Computers in biology and medicine
|July 13, 2025
概括
这项研究引入了一个预处理步骤,以增强基于深度学习的生物医学图像细分. 这种新的方法提高了细分的准确性和速度,在腹部区域识别方面获得了99.71%的子得分.
科学领域:
- 生物医学成像学 生物医学成像学
- 医疗图像分析 医学图像分析
- 深度学习是一种深度学习.
背景情况:
- 深度学习在生物医学自动细分方面表现出色,但需要优化.
- 预处理方法对于提高细分性能和速度至关重要.
- 3D U-Net是用于细分任务的经过验证的架构.
研究的目的:
- 提出和评估一个预处理步骤,以增强生物医学图像细分.
- 使用3D U-Net.net提高腹部感兴趣区域 (ROI) 分段的准确性和速度.
- 评估各种培训参数和损失函数对细分结果的影响.
主要方法:
- 在CHAOS和AbdomenCT-1K数据集 (6998个片段) 的组合上训练一个3D U-Net模型.
- 在 AbdomenCT-1K 数据集 (1311 片) 上测试模型的概括性.
- 对k倍交叉验证 (CV),批量大小 (bs),学习率 (lr) 和损失函数 (Dice,焦点子,焦点Twersky) 的系统检查.
- 使用子得分,豪斯多夫距离 (HD),HD95和平均对称表面距离 (ASSD) 评估细分性能.
- 使用连接组件分析 (CCA) 来识别腹部ROI和减少维度.
主要成果:
- 最好记录的子得分达到了99.71%.
- 微调参数和损失函数显著影响了细分性能.
- 连接组件分析 (CCA) 在测试数据集中实现了平均33.34%的维度减少.
- 拟议的预处理步骤在改善细分方面表现出有效性.
结论:
- 整合一个预处理步骤显著提高了生物医学图像细分的3D U-Net性能.
- 该研究强调了参数调整和损失函数选择对于最佳结果的重要性.
- 该方法有效地识别了腹部ROI,并减少了数据维度,为更高效的分析铺平了道路.
