TU-Net:用于肺结节细分的结构化卷积和超像素变压器
Yuke Wu1, Xiang Liu2, Yunyu Shi1
1The College of Electronic and Electrical Engineering, Shanghai University of Engineering Science, Shanghai, 201600, China.
Medical & biological engineering & computing
|August 20, 2025
概括
这项研究介绍了S3TU-Net,这是一种用于CT扫描中细分肺腺癌结节的新型深度学习模型. 通过结合卷积神经网络和变压器,提高临床诊断的准确性.
科学领域:
- 医学成像
- 人工智能
- 癌症学
背景情况:
- 在CT图像中精确细分肺腺癌结节对于临床分期和诊断至关重要.
- 不规则的结节形状和模糊的边界对当前的细分方法构成挑战.
研究的目的:
- 推出S3TU-Net,一种混合CNN-变压器架构,用于增强肺结节细分.
- 改进特征提取,融合和全球上下文建模,以更准确地检测结节.
主要方法:
- 开发了S3TU-Net,集成结构化的卷积块 (DWF-Conv/D2BR-Conv),用于多尺度的特征提取和过拟合缓解.
- 包括S2-MLP链接,通过空间转移跳转连接增强多层功能融合.
- 使用基于残余的超像素视觉变压器 (RM-SViT) 进行高效的远程依赖捕获.
主要成果:
- 在LIDC-IDRI数据集上,S3TU-Net的Dice得分为89.04%,精度为90.73%,IOU为90.70%.
- 该模型在子得分方面表现比最近的方法高4.52%.
- 在EPDB数据集的验证中,Dice得分为86.40%.
结论:
- S3TU-Net有效地弥合了肺结节细分的本地特征敏感性和全球背景意识.
- 混合架构为肺癌诊断提供了强大的临床决策支持工具.
- 这种方法提高了CT成像中自动结节细分的准确性和可靠性.
