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
在多相MRI中使用nnU-Net和Swin UNETR的变体进行肝脏结构的自动细分
Florian Raab1,2,3, Quirin Strotzer4, Christian Stroszczynski4
1Physics Department, University of Regensburg, 93053, Regensburg, Germany. Florian.Raab@klinik.uni-regensburg.de.
Scientific reports
|July 16, 2025
概括
深度学习模型,特别是nnU-Net变体,从多相MRI扫描中准确地细分肝脏结构. 这项技术有助于监测肝脏疾病和计划肝脏手术.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 在MRI中精确细分肝膜,血管和病变对于诊断和管理肝脏疾病至关重要.
- 与单相成像相比,多相对比增强型MRI提供了肝脏结构的优越可视化.
- 目前,用于详细肝脏结构分析的自动细分方法有限.
研究的目的:
- 评估深度学习架构,从多相Gd-EOB-DTPA增强的T1加权VIBEMRI扫描中对肝脏结构进行细分.
- 为了确定最佳的成像阶段,用于自动细分的多相扫描的联合注册.
- 为了比较传统nnU-Net,ResEnc nnU-Net和Swin UNETR的性能,以进行详细的肝脏细分.
主要方法:
- 使用了458个T1加权的VIBEMRI扫描病态肝脏,其中78个手动标记了关键结构 (骨,血管,病变,).
- 使用嵌套交叉验证来评估三个深度学习模型:传统的nnU-Net,ResEnc nnU-Net和Swin UNETR.
- 确定了晚期动脉阶段作为共同注册的最佳固定阶段.
主要成果:
- 这两种nnU-Net变体在细分大多数肝脏结构方面都胜过Swin UNETR.
- 传统的nnU-Net实现了肝膜 (0.97),门静脉 (0.83) 和肝静脉 (0.78) 的最高子相似系数 (DSC).
- 病变和炎的细分仍然具有挑战性,尽管传统的nnU-Net在评估的模型中表现最好.
结论:
- 深度学习模型,特别是nnU-Net变体,对于从多相MRI进行详细的肝脏结构细分是有效的.
- 开发的模型和预处理管道显示出改善肝病评估和手术规划的前景.
- 从多相MRI中对肝脏结构的自动细分可以改善临床工作流程.
