.png){kind=icon}
返回
Explainable and Robust Deep Learning for Liver Segmentation Through U-Net Network
.png){kind=icon}
OA
AI
DOI：10.3390/diagnostics15070878.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
背景/目的：临床成像技术，如磁共振成像和计算机断层扫描，在辅助临床医生进行疾病诊断和制定适当干预措施方面发挥着关键作用。这在如肝细胞癌等恶性条件下尤为重要，其中精确的图像分割（包括肝脏和肿瘤的界定）是优化诊断、分期和治疗规划（包括移植、手术切除、放射治疗、门静脉栓塞及其他程序）的关键初始步骤。因此，有效的分割方法可以显著影响诊断准确性和治疗效果。
方法：本文提出了一种基于深度学习的方法，旨在准确分割医学图像中的肝脏，以解决肝疾病诊断和治疗规划中的关键需求。我们采用具有残差连接的U-Net架构来捕捉精细的解剖学细节。同时，我们考虑了预测的可解释性，旨在突出显示分析图像中与特定分割相关的症状区域。具体而言，通过利用U-Net架构，我们使用两个标注的计算机断层扫描医学图像数据集训练了两个不同的模型，共进行四项不同实验。
结果：我们采用两个不同的数据集以提高在多样化患者群体和成像条件下的鲁棒性和泛化能力。实验结果表明，所提出的方法取得了有意义的性能，准确率范围为0.81至0.93。
结论：因此，我们证明了所提出的方法可以为自动化肝脏分割提供可靠且高效的解决方案，有望在临床工作流程和精准医学方面取得显著进展。
Keyword:
liver
U-Net
segmentation
biomedical images
bioimages
deep learning
explainability
robustness
期刊
IF:
3.3
论文数:
2.0W
被引数:
3.6W
机构
引用论文
Computer Vision and AI-Integrated IoT Technologies in the Medical Ecosystem计算机视觉与AI集成的物联网技术在医疗生态系统中的应用.png)
IF0
PREAI
分享收藏分享收藏MamlFormer: Priori-experience guiding transformer network via manifold adversarial multi-modal learning for laryngeal histopathological gradingINFORMATION FUSION
INFORMATION FUSIONIF15.5
PREAI
分享收藏Grad-CAM: Visual Explanations from Deep Networks via Gradient-Based LocalizationGrad-cam: 通过基于梯度的定位从深度网络进行视觉解释
OAAI
OAAI分享收藏
查看更多内容