ES-UNet:高效的3D医疗图像细分,在3D UNet中增强了跳过连接
Minyoung Park1, Seungtaek Oh1, Junyoung Park1
1School of Electrical and Electronics Engineering, Chung-Ang University, 84 Heukseok-Ro, Dongjak-Gu, Seoul, 06974, Republic of Korea.
BMC medical imaging
|August 13, 2025
概括
通过提高准确性和效率,ES-UNet改善了3D医疗图像的细分. 这种新的架构,具有优化的跳过连接和先进的学习策略,在基准数据集上表现优于现有的模型.
科学领域:
- 医学图像分析 医学图像分析
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算机视觉 计算机视觉
背景情况:
- 深度学习显著推进了医学图像分析,特别是临床决策的语义细分.
- 像3D UNet这样的传统3D细分模型在平衡计算效率和体积数据的准确性方面扎.
- 挑战包括有限的培训数据和需要提高3D医学图像细分的准确性.
研究的目的:
- 开发一个改进的3D医疗图像细分架构 (ES-UNet) 与增强的学习策略.
- 为了提高准确性和解决与3D医学图像细分有限的培训数据相关的挑战.
- 为了实现卓越的细分性能,具有竞争力的计算效率.
主要方法:
- 拟议的ES-UNet架构建立在UNet3+上,具有通道关注模块和全面的深度监控.
- 引入了区域特定缩放 (RSS) 来进行自适应数据增强和动态加权子 (DWD) 损失,以提高精度-回忆平衡.
- 根据MICCAI HECKTOR数据集进行评估,并通过医学细分十项赛 (MSD) 任务进行验证.
主要成果:
- 在HECKTOR数据集上,ES-UNet实现了76.87%的子相似系数 (DSC),超过了3D UNet,3D UNet 3+,nnUNet和Swin UNETR.
- 废除研究证实,RSS和DWD提高了DSC,分别高达1.22%和1.06%.
- 在MSD心脏和脏任务上表现出强大的概括性,具有有利的计算需求和高细分精度.
结论:
- ES-UNet集成了架构和算法改进,以实现强大的3D医疗图像细分.
- 主要贡献包括优化跳过连接,区域特定缩放 (RSS) 和动态加权子 (DWD) 损失.
- 未来的工作重点是适应性缩放策略和在各种成像模式中验证.
