相关实验视频
Updated: Jan 9, 2026
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
725
一项基于V-Net的3D上腺细分模型的多中心验证研究:从腹部CT到胸部CT的跨协议概括
Yuanchong Chen1, Kexin Wang1, Yaofeng Zhang2
1Department of Radiology, Peking University First Hospital, Beijing 100034, China.
The British journal of radiology
|December 2, 2025
概括
一个新的深度学习模型在CT扫描上准确地细分上腺. 这种3D V-Net模型显示了在各种成像协议和机构中帮助诊断的前景.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 精确的上腺细分对于诊断各种疾病至关重要.
- 当前的细分方法可能会面临各种CT成像协议和多中心数据集的挑战.
研究的目的:
- 开发和验证基于V-Net的3D深度学习模型,用于CT图像上对上腺进行细分.
- 来自多个机构的腹部和胸部CT扫描中评估模型的通用性.
主要方法:
- 在一个大群腹部CT扫描 (N=5660) 上训练了一个3D V-Net模型.
- 在内部测试组和两个外部验证队列 (N=6126和N=931) 上使用子相似系数 (DSC) 评估模型性能.
- 验证包括胸部CT图像,以评估跨协议的概括性.
主要成果:
- 该模型在内部测试组中获得了高的DSC分数 (左:0.920,右:0.910).
- 验证队列表现出强的表现 (验证队列1:左侧DSC 0.816,右侧DSC 0.819;验证队列2:左侧DSC 0.752,右侧DSC 0.747).
- 该模型在不同的扫描协议中证明了对正常和异常上腺的有效性.
结论:
- 3D V-Net 模型提供了有效的上腺腺细分,具有良好的概括性.
- 该模型在多中心数据集和多种CT协议中的性能突显了其作为诊断辅助工具的潜力.
- 这种深度学习方法可以在临床实践中作为一个有价值的"标志"系统.
