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
723
一个ResNet-50-UNet混合与鱼优化算法,用于准确的肝脏瘤细分
Proloy Kumar Mondol1, Md Ariful Islam Mozumder1,2, Hee Cheol Kim1
1Institute of Digital Anti-Aging Healthcare, Inje University, Gimhae-si 50834, Republic of Korea.
Diagnostics (Basel, Switzerland)
|December 11, 2025
概括
这项研究介绍了一种混合深度学习模型,将U-Net和鱼优化算法 (WOA) 结合起来,用于准确的肝脏瘤细分. 这种新的方法显著提高了细分精度,有助于肝癌诊断和治疗规划.
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:
- 从3D医学图像中精确细分肝脏和肝脏瘤对于肝癌诊断和治疗规划至关重要.
- 细分的挑战来自具有相似特征的器官,导致精确划分的困难.
研究的目的:
- 开发一种混合深度学习模型,用于增强肝脏和肝脏瘤的细分.
- 使用鱼优化算法 (WOA) 优化深度学习模型的超参数,以提高细分性能.
主要方法:
- 提出了一个混合模型,将基于U-Net的结构与鱼优化算法 (WOA) 集成在一起.
- 使用WOA来微调LiTS-Res-UNet架构的超参数,以实现最佳的深度学习模型性能.
主要成果:
- 在一个基准数据集上,LiTS-Res-Unet + WOA混合模型实现了高精度 (99.54%),子系数 (92.38%) 和贾卡德指数 (86.73%).
- 拟议的模型在肝脏瘤细分任务中表现优于现有的最先进方法.
结论:
- 基于WOA的自适应搜索有效地确定了最佳的超参数,增强了深度学习模型的融合和准确性.
- 混合模型展示了强大的性能和临床适用性,用于精确的肝脏瘤细分.
