Ein leichtgewichts-neuronales Netzwerk mit multiskaliger Merkmalsverbesserung für die CT-Segmentierung der Leber

Die Segmentierung von abdominalen Computertomografie (CT)-Scans ist entscheidend für die Analyse, Diagnose und Behandlung von Krankheiten der inneren Organe (z.B. hepatozelluläres Karzinom). Dieses Papier schlägt ein neuartiges neuronales Netzwerk (Res-PAC-UNet) vor, das ein residuales UNet-Backbone mit fester Breite und pyramidale atrous Faltungen verwendet und eine methode mit niedriger Datenträgernutzung für eine präzise Segmentierung der Leber-CT bietet. Das vorgeschlagene Netzwerk wird auf dem medizinischen Segmentierungs-Dezathlon-Datensatz unter Verwendung einer modifizierten Oberflächenverlustfunktion trainiert. Darüber hinaus bewerten wir seine quantitative und qualitative Leistung; das Res16-PAC-UNet erreicht einen Dice-Koeffizienten von 0,950 ± 0,019 mit weniger als einer halben Million Parametern. Alternativ erreicht das Res32-PAC-UNet einen Dice-Koeffizienten von 0,958 ± 0,015 mit einer akzeptablen Parameteranzahl von etwa 1,2 Millionen.