ESP-UNet: Encoder-Decoder Convolutional Neural Network with Edge-Enhanced Features for Liver Segmentation
Notice bibliographique
Résumé
Precise liver segmentation in Computed Tomography (CT) scans plays a pivotal role in numerous biomedical applications, spanning surgical planning, postoperative assessment, and pathological detection of hepatic diseases.The task, however, is fraught with challenges due to the inherent complexities of liver morphology, including indistinct boundaries, irregular shapes, and complex architecture.Consequences of under-segmentation and oversegmentation of the liver in CT images can lead to inaccurate localizations and diagnoses of liver diseases, underscoring the necessity for accurate segmentation.This study introduces an Encoder-Decoder Convolutional Neural Network, termed ESP-UNet, which is designed to reduce under-segmentation and over-segmentation, thereby enhancing the accuracy of liver segmentation.The proposed ESP-UNet employs Kirsch's filter to bolster the texture and edge information of liver images, thus aiding in improved segmentation performance.The efficacy of the ESP-UNet segmentation technique was evaluated using the LiTS dataset, with performance metrics including accuracy, Dice Score Coefficient (DSC), Volume Overlapping Error (VOE), and Relative Volume Difference (RVD).The algorithm yielded impressive results, with a Dice Score of 0.959, a VOE of 0.089, a Jaccard Index (JI) of 0.921, and an RVD of 0.09.Despite requiring a larger number of trainable parameters and an increased network complexity due to the parallel UNet, the proposed ESP-UNet not only enhances liver segmentation but also has the potential to improve the detection of liver cancer at the image borders.A comparison with existing state-of-the-art liver segmentation techniques revealed that ESP-UNet offers superior performance, validating its potential as a useful tool in the diagnosis and treatment of liver diseases.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».