H-DenseUNet: شبكة UNet ذات الاتصال الكثيف الهجين لتمييز الكبد والورم من حجوم التصوير المقطعي المحوسب

سرطان الكبد هو أحد أسباب الوفيات الرئيسية بسبب السرطان. لمساعدة الأطباء في تشخيص سرطان الخلايا الكبدية والتخطيط للعلاج، يُطلب بشدة في الممارسة السريرية طريقة دقيقة وآلية لتقسيم الكبد والورم. مؤخرًا، أصبحت الشبكات العصبية المتكررة بالكامل (FCNs)، بما في ذلك شبكات FCN ثنائية الأبعاد وثلاثية الأبعاد، العمود الفقري للكثير من تقسيمات الصور الحجمية. ومع ذلك، لا تستطيع الالتفافات ثنائية الأبعاد استغلال المعلومات المكانية بشكل كامل على طول البعد الثالث، بينما تعاني الالتفافات ثلاثية الأبعاد من تكلفة حسابية عالية واستهلاك كبير لذاكرة الوحدة المعالجة الرسومية (GPU). لحل هذه المشكلات، نقترح طريقة جديدة هي الشبكة الكثيفة الهجينة المرتبطة بـ UNet (H-DenseUNet)، والتي تتكون من شبكة DenseUNet ثنائية الأبعاد لاستخراج الخصائص داخل الشرائح بكفاءة ومن نظير ثلاثي الأبعاد لتجميع السياقات الحجمية بطريقة هرمية وفقًا لروح خوارزمية السياق الذاتي لتقسيم الكبد والورم. نقوم بوضع عملية التعلم الخاصة بـ H-DenseUNet بطريقة شاملة من النهاية إلى النهاية، حيث يمكن تحسين تمثيلات الشرائح الداخلية والخصائص بين الشرائح معًا عبر طبقة دمج الخصائص الهجينة (HFF). قمنا بتقييم طريقة عملنا بشكل مكثف على مجموعة بيانات تحدي تقسيم أورام الكبد 2017 لمؤتمر MICCAI (LiTS) وعلى مجموعة بيانات 3DIRCADb. حققت طريقة عملنا أفضل النتائج مقارنة بالطرق الرائدة الأخرى في تقسيم الأورام وأداءً تنافسيًا جدًا في تقسيم الكبد حتى باستخدام نموذج واحد فقط.