轻量级深度训练网络用于淋巴结细分从头部和部CT图像
Fan Lu1, Xiao-Long Li2, Binbin Jiang3
1School of Future Science and Engineering, Soochow University, Suzhou, Jiangsu, China.
Medical physics
|November 4, 2025
概括
我们开发了LNSNet,这是一个高效的深度学习模型,用于在CT扫描中对头部和部淋巴结 (LNs) 进行细分. 这种轻量级网络减少了计算复杂性,同时提高了细分精度,以便更好地诊断疾病.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 精确的淋巴结 (LN) 分段对于诊断头疾病至关重要.
- 在CT图像中手动识别LN具有挑战性,因为尺寸变化,复杂的形状和模糊的边界.
- 现有的3D卷积方法用于LN细分具有高的计算成本.
研究的目的:
- 开发一个高效和轻量体积卷积神经网络 (LNSNet) 用于头部和部淋巴结细分.
- 为了解决当前细分方法中高计算复杂性的局限性.
主要方法:
- 为了减少计算负载和参数,LNSNet使用3D体积块,将体积局部卷积 (VPConv) 和点wise卷积结合起来.
- 一个轻量级的边界增强模块 (LBEM) 和深度可分离的卷积被纳入,以提高细分精度.
主要成果:
- 该模型对来自123名头癌患者的678名3DLN进行了评估.
- 与最先进的模型相比,LNSNet显示了较少的参数和较低的计算复杂性.
- 获得了73.81%的子相似系数 (DSC),平均表面距离 (ASD) 为0.92毫米,豪斯多夫距离第95 (HD95) 为2.52毫米.
结论:
- LNSNet提高了淋巴结细分的计算效率和稳定性.
- 减少的参数数量和复杂性使得LNSNet适合于实际的临床应用.
