一个双重自我注意型变压器U-Net模型,用于精确的胰腺细分和脂肪分数估计

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:

• 胰腺疾病,包括瘤和糖尿病,需要在腹部CT扫描中精确细分胰腺.
• 胰腺脂肪积累与2型糖尿病和代谢综合征有关,因此脂肪分数计算对于评估β细胞功能和胰岛素抵抗是至关重要的.
• 目前基于深度卷积神经网络 (DCNN) 的方法,如U-Net,由于它们依赖于局部受体场,因此在图像中与远程依赖性作斗争.

研究的目的:

• 引入一种新的双自我注意型变压器联网 (DSTUnet) 模型,用于CT图像中增强胰腺细分.
• 为了解决DCNN在捕获全球图像上下文方面的局限性,以提高细分精度.
• 为了利用细分胰腺进行准确的脂肪分数估计.

主要方法:

• 开发DSTUnet模型,将双重自我注意的Swin变压器集成到编码器和解码器路径中.
• DSTUnet的应用用于从腹部CT图像中对胰腺进行细分.
• 使用对细分区域的组图分析来计算胰腺脂肪体积分数 (FVF).

主要成果:

• DSTUnet模型实现了93.7%的子相似系数 (DSC) 和2.7毫米的豪斯多夫距离 (HD),证明了高分段精度.
• 该模型成功地分割了胰腺,平均体积为92.42.2.
• 计算的胰腺脂肪体积分数 (FVF) 的平均值为13.37%.

结论:

• DSTUnet模型在CT图像上的胰腺细分精确性方面取得了重大进展.
• 拟议的方法有效地捕捉了全球图像背景,克服了传统DCNN的局限性.
• 精确的细分方便可靠的胰腺脂肪分数估计,有助于诊断和管理代谢疾病.