双通道分组跨维度注意力V-Net用于肺结节细分的肺结节细分
Lihong Zhang1, Tong Liu1, Yingbo Liang1
1College of Computer Science and Technology, Henan Polytechnic University, Jiaozuo, China.
Quantitative imaging in medicine and surgery
|October 13, 2025
概括
这项研究引入了一种新的深度学习模型,即双通道分组跨维度注意力V-Net (DGCA V-Net),用于改善CT扫描中的肺结节细分. 该DGCA V-Net显著提高了细分精度,有助于早期肺癌诊断和治疗.
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:
- 精确的肺结节细分对于早期肺癌诊断和治疗计划至关重要.
- 挑战包括结节与周围组织的相似性以及位置,大小和数量的不可预测变化.
- 现有的方法难以处理结节细分的细微差别.
研究的目的:
- 开发一个先进的深度学习网络,用于精确的肺结节细分.
- 为了解决当前细分技术的局限性.
- 改善早期肺癌检测和患者的治疗结果.
主要方法:
- 提出了一个双通道分组跨维度注意力V-Net (DGCA V-Net) 模型.
- 整合了全球分组协调注意力 (GGCA) 进行全面的特征捕获.
- 使用分组分分注意力 (GSA) 和双输入引导特征聚合 (DGA) 模块来保存详细信息并完善本地化.
主要成果:
- 与基线V-Net相比,DGCA V-Net模型在LUNA16数据集上表现出优异的性能.
- 在子相似系数 (DSC) (+4.72%至0.7921) 中取得了显著的改进,在欧盟 (IoU) 上交叉 (+6.92%至0.6662),精度 (+2.90%至0.8102) 和回忆 (+4.80%至0.7993) 中取得了显著的改进.
结论:
- 该DGCA V-Net模型显著提高了肺结节细分的准确性.
- 除试验证实了该模型强大的细分和概括能力.
- 该模型显示了在医疗图像细分领域更广泛应用的潜力,并且是开源的.
