面向MRI中肝硬化体积分割的协同深度学习模型
计算机视觉与模式识别
2024-08-09 v1 人工智能
摘要
肝硬化是全球死亡的主要原因之一，需要对感兴趣区域（ROI）进行精确分割，以实现有效的疾病监测和治疗规划。现有的分割模型通常无法捕捉复杂的特征交互，也难以泛化到多样化的数据集。为了解决这些局限性，我们提出了一种新颖的协同理论，该理论利用互补的潜在空间来增强特征交互建模。我们提出的架构nnSynergyNet3D集成了用于3D体积的连续和离散潜在空间，并具有自动配置训练的功能。这种方法能够捕捉细粒度和粗粒度特征，从而有效建模复杂的特征交互。我们在一个包含来自339名患者的628个高分辨率T1腹部MRI扫描的私有数据集上对nnSynergyNet3D进行了实证验证。我们的模型性能优于基线nnUNet3D约2%。此外，在公开LiTS数据集的健康肝脏CT扫描上进行的零样本测试，展示了其优越的跨模态泛化能力。这些结果突显了协同潜在空间模型在提高分割精度和鲁棒性方面的潜力，从而通过确保CT和MRI模态之间的一致性来改善临床工作流程。
引用
@article{arxiv.2408.04491,
title = {Towards Synergistic Deep Learning Models for Volumetric Cirrhotic Liver Segmentation in MRIs},
author = {Vandan Gorade and Onkar Susladkar and Gorkem Durak and Elif Keles and Ertugrul Aktas and Timurhan Cebeci and Alpay Medetalibeyoglu and Daniela Ladner and Debesh Jha and Ulas Bagci},
journal= {arXiv preprint arXiv:2408.04491},
year = {2024}
}