有效的肝脏和瘤细分使用紧的残留网络和对比增强的预处理管道

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 在CT图像中精确细分肝脏和瘤对于临床决策至关重要.
• 现有的方法可能缺乏在不同数据集中的效率或通用性.

研究的目的:

• 开发和评估SegResNet_2335,一种轻量级的3D残余网络,用于CT图像中肝脏和瘤的体积细分.
• 评估框架的性能和跨数据集概括能力.

主要方法:

• 应用了一个定制的预处理管道,包括voxel间距重新抽样,CT窗口调整,CLAHE和z-score规范化.
• 一个轻量级的3D残余网络 (SegResNet_2335) 用150万个参数被用于细分.
• 该框架在LiTS和3D-IRCADb-01数据集上进行了评估.

主要成果:

• 该模型实现了高的子相似系数 (DSCs):0.956对于肝脏和0.754对于LiTS测试组中的瘤.
• 在3D-IRCADb-01的交叉数据集评估中,肝脏DSC值为0.847,瘤DSC值为0.706.
• 每次扫描的快速推断时间约为1.8秒.

结论:

• SegResNet_2335提供强大且一致的肝脏和瘤细分性能.
• 该框架表现出强大的跨数据集概括性,适合资源有限的临床部署.
• 公开可用的实施方案促进了医学图像分析研究的可复制性.