相关实验视频
Updated: Jan 10, 2026
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
725
在胰腺切除后,MKNet家族架构用于剩余胰腺的自分割:深度学习比较研究
Dennis Böhm1,2, Paul C M Andel3, Paul A Akkermans4
1Datacation B.V., Eindhoven, The Netherlands.
Abdominal radiology (New York)
|November 27, 2025
概括
一个新的深度学习模型,MKNet-family,在术后CT扫描上准确地细分了剩余的胰腺. 这种AI的进步有助于检测并发症,并改善胰腺手术后的癌症复发监测.
科学领域:
- 医学成像和人工智能 医学成像和人工智能
- 放射学和计算机病理学
- 外科瘤学和术后护理
背景情况:
- 胰腺切除后CT扫描的准确解释对于识别并发症和癌症复发至关重要.
- 目前在CT扫描上进行胰腺细分的方法可能耗时且容易变化.
- 剩余胰腺的自动细分是必要的,以简化分析和提高诊断准确性.
研究的目的:
- 研究 MKNet 系列新型深度学习架构的可行性和临床实用性,用于在术后CT成像中对残余胰腺进行自分区.
- 将MKNet家族的性能与以前的自动细分方法进行比较.
- 评估AI驱动的胰腺细分在术后环境中的临床价值.
主要方法:
- 开发新的MKNet,MSKNet和MAKNet深度学习架构.
- 使用了两个数据集:NIH (82个正常的手术前CT扫描) 和IMPACT联盟 (81个术后CT扫描<胰腺切除术后4周).
- 使用豪斯多夫距离 (HD,HD95),正常化表面距离 (NSD) 和子相似系数 (DSC) 评估性能;与现有模型相比较;由10名放射科医生进行定性评估.
主要成果:
- 在术后环境中,MAKNet架构表现出卓越的性能 (高清:17.3±11.2 mm,高清95:11.5±10.2 mm).
- MKNet家族实现了与Attention-U-Net相比较的子相似系数 (DSC:64.9±14.8%) 和规范表面距离 (NSD:27.2±8.2%).
- 临床评估显示,MKNet家族在79% (64/81) 的病例中准确地细分了手术后的胰腺,需要最少或没有放射科医生修改.
结论:
- 新的MKNet家族架构在术后CT扫描上有效准确地对剩余胰腺进行细分,优于以前的方法.
- 胰腺自分化的这一进步具有临床应用,医学教育和加速数据注释的巨大潜力.
- 开发的深度学习模型对未来的胰腺癌成像和术后管理研究有益.
