基于深度学习网络TAST用于CT图像上身体成分的分割分析

摘要：

本文开发和评估一种全自动算法,用于伪影和积气等情况下从CT图像中分割身体成分.方法:回顾性研究,基于Swin-Transformer架构的深度神经网络所形成的TAST模型在1296个二维CT图片上进行胸腹部身体成分分割,并用324个图像进行测试.在CHAOS多脏器CT分割数据集上进一步做泛化能力测试.2021年3月至2022年3月进行非增强CT检查.使用Dice以及Jaccard评分来评估分割性能的差异.结果:与Swin-Unet模型相比,本研究模型在测试集的Dice评分分别为94.39、90.66、83.28,Jaccard评分分别为89.37、82.92、71.35.在泛化数据集的Dice评分为85.74.结论:模型能够超过Swin-Unet模型的分割准确性,且具有良好的鲁棒性.

关键词：深度学习、语义分割、CT图像

所属期刊栏目：7

分类号：F224-39(经济计算、经济数学方法)

在线出版日期：2023-11-02（万方平台首次上网日期，不代表论文的发表时间）

页数：共3页

页码：175-177