Parameter-efficient deep-learning-based model for segmentation with radiomic feature extraction

Sleiman, Daniel

doi:10.1117/1.JMI.13.2.024502

Parameter-efficient deep-learning-based model for segmentation with radiomic feature extraction

2026-03-01

0

PRE

AI

DOI：10.1117/1.JMI.13.2.024502

原文链接

原文求助

摘要

En 中文

目的：磁共振成像（MRI），特别是动态对比增强MRI（DCE-MRI），通过突出肿瘤区域在乳腺癌评估中发挥着关键作用。准确的3D肿瘤分割可显著辅助诊断、疾病监测和治疗计划。当前最先进的模型（如nnU-Net）计算成本高，参数量大且内存需求高。本研究提出了一种针对DCE-MRI乳腺癌分割的参数高效卷积神经网络架构。方法：该模型将轻量级残差块整合到SegResNet主干网络中，并在前3个DCE-MRI阶段进行训练。我们在FRLoss消融实验中测试了来自HCMA-UNet模型的FRLoss的添加效果。其编码器-解码器设计还通过最后一个编码器块的输出来探索新辅助化疗的治疗反应预测（以病理完全缓解为衡量标准）。最后一个编码器块的输出经过平均池化，作为输入到包含两个估计器（最大深度5，学习率1）的XGBoost模型中。结果：在公开的MAMA-MIA数据集上进行评估，我们提出的模型与nnU-Net和SegResNet性能相当，Dice评分比nnU-Net高0.99%，同时参数量减少91.5%，FLOPs减少85.05%，内存使用量减少31.94%（与nnU-Net相比）。因此，所提出的模型比nnU-Net效率显著更高，并且比Mamba基线更准确，尽管Mamba基线在计算上更轻量（表现为更快的推理速度和更低的每秒十亿次浮点运算次数（38比87））。用于治疗反应预测的XGBoost模型未表现出竞争性性能，其平衡准确率为57.2%，受试者工作特征曲线下面积为0.542。结论：结果表明，参数高效模型可在DCE-MRI肿瘤分割中实现有竞争力的性能。

Keyword:

dynamic contrast-enhanced imaging

3D segmentation

parameter-efficient models

treatment response

Parameter-efficient deep-learning-based model for segmentation with radiomic feature extraction

摘要

期刊

机构

引用论文