FSS-ULivR:使用统一表示和注意力机制进行肝脏成像的临床启发的少数镜头细分框架

科学领域:

• 医学图像分析 医学图像分析
• 人工智能在医学中的应用
• 计算机视觉 计算机视觉

背景情况:

• 准确的肝脏细分对于医学诊断和治疗计划至关重要.
• 现有的细分方法面临的挑战是有限的数据,糟糕的概括性和功能集成.
• 需要强大的模型,可以使用稀缺的注释数据进行精确的细分.

研究的目的:

• 开发一种具有统一肝脏表示 (FSS-ULivR) 的新型少数拍摄细分模型,用于精确的肝脏细分.
• 为了增强特征学习,动态特征改进和细分模型中的空间细节恢复.
• 为了证明模型在各种医学成像数据集中的有效性和通用性.

主要方法:

• 拟议的FSS-ULivR模型使用基于ResNet的编码器与Squeeze-and-Excitation模块.
• 整合了一个增强的原型模块,带有变压器块和通道注意.
• 采用了带有注意力门的解码器和用于空间细节恢复的剩余精细化策略.

主要成果:

• 在肝脏瘤细分挑战数据集上实现了高性能,Dice系数为98.94%和IoU为97.44%.
• 在多个数据集 (3DIRCADB01,结肠直肠肝转移,CT-ORG,MS D Task 3) 中表现出强大的概括性,在大多数情况下,子得分高于90%.
• 在多器官细分和脑瘤细分任务中表现出有效性,表明其广泛适用性.

结论:

• FSS-ULivR模型提供了精确可靠的医疗图像细分,特别是在肝脏.
• 该模型的架构有效地解决了现有方法的局限性,特别是在低数据场景中.
• 证明的通用性和高性能凸显了其临床意义和AI驱动的医疗保健解决方案的潜力.