ICT-Net:一个集成的卷积和基于变压器的网络,用于复杂的肝脏和肝脏瘤区域细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 从CT图像中精确细分肝脏和肝细胞癌 (HCC) 对诊断和治疗至关重要.
• 深度学习,特别是变压器,在计算机辅助诊断 (CAD) 中表现有前途,但在空间特征提取和有限的注释数据集方面面临挑战.
• 现有的模型在强大的特征提取方面扎,以获得精确的肝脏和病变细分.

研究的目的:

• 为了解决肝脏瘤细分方面的局限性,本研究引入了一种新的深度学习架构.
• 从计算机断层扫描 (CT) 图像开发一种更准确的方法来细分肝脏区域和肝细胞癌 (HCC).
• 为了克服空间特征提取和HCC.有限的注释性肝脏数据集的挑战.

主要方法:

• 创建了一个带有HCC注释的新肝脏数据集 (CCH-LHCC-CT).
• 使用预训练的变压器编码器和先进的解码器开发了一种新的深度学习架构,即ICT-Net.
• 信息通信技术网络 (ICT-Net) 结合了功能升级和增强的卷积变压器块,以改善细分.

主要成果:

• 评估了ICT-Net模型的CCH-LHCC-CT数据集和三个公共CT肝脏数据集.
• 在所有测试的数据集中,ICT-Net实现了更高的分段精度,由更高的ACC,DSC和IOU表示,以及更低的HD95.
• 拟议的架构在细分肝脏区域和肝脏瘤方面表现出强的性能.

结论:

• 开发的ICT-Net模型为准确的肝脏和肝脏瘤细分提供了可靠的信息.
• 在细分精度指标 (ACC,DSC,IOU) 中,ICT-Net显著优于现有的方法.
• 信息通信技术网络显示了通过提高HCC患者的手术规划和治疗反应评估来提高临床翻译的潜力.