相关实验视频
Updated: Jan 8, 2026
10:25
Deep Learning-Based Segmentation of Cryo-Electron Tomograms
Published on: November 11, 2022
10.5K
MSDRN:用于光分子断层扫描的多尺度深度残留网络
Xin Zhao1, Liuyuan Zhang1, Chunyu Qiu2
1The Xi'an Key Laboratory of Radiomics and Intelligent Perception, Xi'an, China; School of Information Sciences and Technology, Northwest University, Xi'an, 710127, China.
Computer methods and programs in biomedicine
|December 23, 2025
概括
一种新的深度学习方法,多尺度深度残留网络 (MSDRN),显著提高光分子断层扫描 (FMT) 精度和分辨率,用于早期瘤检测. 这一进步在临床前和临床应用中增强了瘤局部化和形态恢复.
科学领域:
- 生物医学成像学 生物医学成像学
- 医学物理 医学物理
- 计算生物学是一种计算生物学.
背景情况:
- 光分子断层扫描 (FMT) 对于早期瘤检测至关重要.
- 在FMT中严重的光子散射给精度和分辨率带来了挑战.
- 对于实际的FMT应用,重建精确的瘤形态仍然很困难.
研究的目的:
- 为了提高FMT重建的分辨率和准确性.
- 为了解决由光子散射引起的FMT中错位的反向问题.
- 为了改善FMT的形态性能,以满足实际要求.
主要方法:
- 基于深度学习的多规模深度残留网络 (MSDRN) 已被开发用于FMT重建.
- MSDRN使用多通道特征表示和级联的剩余块来进行全面的特征提取.
- 采用双分支扩展卷曲和空间注意力机制来提高分辨率并强调结构相似性.
主要成果:
- 在模拟和实体实验中,MSDRN在重建精度和分辨率方面取得了显著的改进.
- 与现有方法相比,位置误差 (LE) 减少了0.45mm,子相似系数 (Dice) 增加了42%.
- 该方法在形态准确性,定位准确性和多源分辨率方面超过了最先进的方法.
结论:
- 拟议的MSDRN有效地定位和恢复光源的形态特征.
- MSDRN显示出有很大的潜力来推进FMT的临床前和临床转化.
- 这种技术有望通过使用FMT改善早期瘤检测.
