基于融合三维U-Net与Transformer的深度学习网络自动分割腹部CT图像结直肠癌：一项多中心多设备研究

分类： 医学、药学 >> 临床医学 提交时间： 2025-07-17 合作期刊: 《中国全科医学》

黄牧 张道春 阳维 钟丽明 袁文静 贾子琪 谭相良 段小慧 刘岘 陈维翠

摘要： 背景　深度学习在医学图像中的应用面临数据标注耗时费力等挑战，制约了其临床转化效率。目的　探讨一种融合三维U-Net（3D U-Net）与Transformer的深度学习网络（TransUNet-Cascade）在腹部CT图像中自动分割结直肠癌（CRC）病灶的可行性与效能。方法　回顾性纳入2018年1月—2023年5月来自广东省中医院（中心1）、南方医科大学南方医院（中心2）及中山大学孙逸仙纪念医院（中心3）的2 180例CRC患者腹部CT增强图像，采用加权随机抽样法划分为训练集（n=1 159）、验证集（n=289）和外部测试集（n=732）。本研究提出一种新型深度学习网络模型——TransUNet-Cascade，通过多阶段学习策略优化分割精度。以手动标注为基准，采用Dice相似系数（DSC）、F1值、95%豪斯多夫距离（HD95）、交互比（IoU）、精确度（PRE）以及召回率（REC）评估模型性能。本研究选取三维no new U-Net（3D nnU-Net）作为对比基线模型，在统一的数据集和评估标准下，与所提出的TransUNet-Cascade网络进行系统训练与性能对比，以全面验证其在CRC分割任务中的有效性。结果　在独立的外部测试集中，两种深度学习网络基于动脉期图像的分割效能总体优于静脉期图像；TransUNet-Cascade动脉期平均DSC、F1、HD95、IoU、PRE及REC分别为0.740、0.839、34.084、0.656、0.737及0.767，总体优于3D nnU-Net（平均DSC、F1、HD95、IoU、PRE及REC分别为0.724、0.838、35.954、0.642、0.730及0.744）。模型对右半结肠癌的分割效果最佳（DSC=0.784），直肠癌分割效果相对较差（DSC=0.622）。结论　TransUNet-Cascade通过结合卷积神经网络与Transformer的优势，提升了CRC病灶的自动分割精度，具有一定的临床应用潜力。

通过

 点击量 38  下载量 4  评论 0