基于 3D U-Net 和蝙蝠算法的 CT 图像肝脏肿瘤检测提升
机器学习
2025-08-13 v1 计算机视觉与模式识别
摘要
肝癌是最常见且致命的癌症类型之一，及早检测对于有效治疗至关重要。本文提出一种新方法，通过将 3D U-Net 架构与蝙蝠算法集成，用于 CT 图像中的自动肝脏肿瘤分割。该方法通过智能优化关键参数（如学习率和批量大小）来增强分割的准确性和鲁棒性。我们在公开数据集上评估了该模型，证明其在较低预测阈值下能够在精度和召回率之间取得良好平衡，取得高 F1 分数。这在临床诊断中尤为重要，因为确保不遗漏任何潜在肿瘤是首要任务。我们的工作为医学图像分析领域做出了贡献，表明稳健的深度学习架构与元启发式优化算法之间的协同作用可以为复杂的分割任务提供高度有效的解决方案。
引用
@article{arxiv.2508.08452,
title = {Enhanced Liver Tumor Detection in CT Images Using 3D U-Net and Bat Algorithm for Hyperparameter Optimization},
author = {Nastaran Ghorbani and Bitasadat Jamshidi and Mohsen Rostamy-Malkhalifeh},
journal= {arXiv preprint arXiv:2508.08452},
year = {2025}
}