相关实验视频
Updated: Mar 15, 2026
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
852
通过深度学习进行肝脏瘤细分:对ATLAS MRI上的CNN,变压器和YOLO模型进行比较分析
Büşra Karabağ1, Kubilay Ayturan1, Fırat Hardalaç1
1Department of Electrical and Electronics Engineering, Gazi University, 06570 Ankara, Turkey.
Diagnostics (Basel, Switzerland)
|March 14, 2026
概括
卷积卷积神经网络 (CNN) 擅长从MRI扫描中对肝脏和肝细胞癌 (HCC) 进行细分. 变压器和YOLO模型为特定的临床需求提供了替代性好处.
科学领域:
- 医学成像分析 医学成像分析
- 在瘤学中使用人工智能
- 放射学和诊断成像 放射学和诊断成像
背景情况:
- 肝细胞癌 (HCC) 是全球主要的癌症死亡原因.
- 精确的MRI肝脏和瘤细分对于HCC管理至关重要.
- 在MRI细分方面的挑战包括数据变化和有限的注释数据集.
研究的目的:
- 系统地比较肝脏和HCC细分的深度学习方法.
- 评估了卷积神经网络 (CNN),基于变压器和基于检测的方法.
- 利用了对比度增强磁共振成像 (MRI) 数据.
主要方法:
- 对ATLASMRI数据集进行了全面评估.
- 包括2D/3D CNN,变压器架构和基于YOLO的细分.
- 采用了一致的预处理,患者级数据分割和标准化指标 (Dice,IoU,F1-score).
主要成果:
- 体积CNN,特别是3DnnU-Net,在肝脏和瘤细分方面取得了最高的准确性 (分别为0.946和0.892).
- 变压器模型显示出具有竞争力的性能,增强了边界划分和全球背景.
- 基于YOLO的方法提供了精度平衡和显著降低计算成本.
结论:
- 卷度CNN是基于MRI的肝脏和HCC细分最准确的.
- 变压器和YOLO框架为特定的临床和资源有限的环境提供了有价值的替代方案.
- 这项研究提供了对选择最佳深度学习模型进行肝癌成像分析的见解.
