针对LiTS17肝癌细分的多编码器U-Net比较:跨训练时间的准确性-效率权衡
Yuguang Ye1,2,3, Kavimbi Chipusu1,2,3, Taisheng Zeng1,2,3
1Faculty of Mathematics and Computer Science, Quanzhou Normal University, Quanzhou, China.
Biomedizinische Technik. Biomedical engineering
|February 16, 2026
概括
使用CT扫描精确的肝脏和瘤细分对于肝癌治疗至关重要. 这项研究对U-Net和V-Net模型进行了基准测试,发现更长的训练和更强大的编码器显著提高了瘤细分的准确性.
科学领域:
- 医疗成像医学成像
- 放射学中的人工智能
- 计算病理学计算病理学
背景情况:
- 从CT扫描中精确分离肝脏和瘤对于肝癌诊断,治疗计划和监测至关重要.
- 现有的U-Net变体和像V-Net这样的体积架构缺乏标准化的比较,阻碍了最佳模型选择.
研究的目的:
- 建立一个统一的基准测试框架,用于评估2D U-Net模型与各种编码器和3D V-Net基线.
- 分析编码器选择,培训时间和计算成本对细分性能的影响.
主要方法:
- 一个使用LiTS17数据集三重交叉验证的标准化框架.
- 评估多个U-Net骨干 (VGG,ResNet,MobileNetV2) 和一个V-Net基线.
- 评估 15,50 和 100 个阶段的培训计划,报告重叠 (Dice, IoU) 和检测 (精度,回忆) 度量以及效率指标.
主要成果:
- 在所有测试模型中,肝脏细分性能迅速达到接近最佳水平.
- 随着训练时间的延长和更强大的编码器网络,瘤细分精度显著提高,特别是在挑战小或低对比度病变时.
结论:
- 该研究提供了一个可重现的协议,用于对医疗图像细分模型进行基准测试.
- 为选择有效平衡细分精度,稳定性和肝癌应用程序的计算成本的模型提供了实际指导.
