深度学习模型在 MRI 骨折分割中的性能分析
图像与视频处理
2025-04-08 v1 计算机视觉与模式识别
摘要
卷积神经网络如 U-Net 在医学图像分割中表现突出，注意力机制和 KAN 增强特征提取。Meta 的 SAM 2 使用 Vision Transformers 实现基于 prompt 的分割，无需 fine-tuning。然而，这些模型在数据有限的情况下存在 bias，影响 generalization。本研究系统评估和比较了三种基于 CNN 的模型，即 U-Net、Attention U-Net 和 U-KAN，以及一种基于 transformer 的模型，即 SAM 2，用于分割 MRI 扫描中的髋骨骨结构。数据集包含 11,164 例 MRI 扫描，包含髋部区域的详细标注。性能采用 Dice Similarity Coefficient 评估，其范围在 0.932 到 0.954 之间。Attention U-Net 实现了最高的整体得分，而 U-KAN 在解剖学区域较小的区域表现优越，凭借其增强的 learning capacity 提高了分割精度。
引用
@article{arxiv.2504.04066,
title = {Performance Analysis of Deep Learning Models for Femur Segmentation in MRI Scan},
author = {Mengyuan Liu and Yixiao Chen and Anning Tian and Xinmeng Wu and Mozhi Shen and Tianchou Gong and Jeongkyu Lee},
journal= {arXiv preprint arXiv:2504.04066},
year = {2025}
}