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》
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。
分类： 医学、药学 >> 基础医学 提交时间： 2017-12-27 合作期刊: 《南方医科大学学报》
摘要： 目的 X线胸片中肺野的准确分割是胸片图像自动分析的必要步骤。本文采用局部特征的密集匹配和标号融合进行胸片肺野的自动分割。方法 对于输入的待分割胸片，基于每个像素点提取密集SIFT描述子和图像块作为局部特征，采用密集匹配直接在整个参考图像特征集合中快速搜索近邻；密集匹配分为受限的随机初始化、近邻场传播和受限的随机搜索三步，并数次迭代后两步。利用匹配得到的近邻场，提取标号图像块并进行加权，权重为匹配的相似度，最后重组为肺野的概率图，经阈值化处理即可得到肺野的分割。结果 在公开的JSRT胸片图像数据集上进行测试，本文方法的Jaccard指标可达95.5%。结论 利用局部特征的密集匹配和标号融合能取得准确性高且稳定的胸片肺野分割效果，并且优于当前最好的胸片肺野分割方法。
点击量
通过
点击量
下载量
评论
