基于3D UNet与UNet++架构的腹部多器官精准分割：MONAI框架下的深度优化与临床验证

为解决腹部CT/MRI扫描中解剖结构变异、器官形态复杂及噪声干扰等难题，研究人员利用MONAI框架开发了基于3D UNet和UNet++的深度学习模型，结合跳跃连接(Skip Connection)、密集连接(Dense Connection)及秘书鸟优化算法(SBO)，在Pancreas-CT、Liver-CT和BTCV数据集上分别取得94.54%-97.36%的DSC评分，为临床多器官分割提供了高精度解决方案。

　　

精准分割腹部器官是医学分析与治疗规划的核心挑战。这项研究创新性地将3D UNet和UNet++架构嵌入MONAI框架，通过三维体数据分析技术，结合跳跃连接与密集连接网络，并引入秘书鸟优化算法(Secretary Bird Optimization, SBO)进行参数调优，有效解决了器官边界模糊、解剖变异等难题。在Pancreas-CT数据集测试中，3D UNet++以95.62%的Dice相似系数(DSC)超越3D UNet的94.54%；Liver-CT数据集上更创下97.36%的DSC纪录。针对BTCV多器官数据集，模型稳定保持93.42%-95.31%的精度，证实其跨数据集泛化能力。该技术为复杂腹部影像分析开辟了新途径，其模块化设计尤其适合临床场景的规模化应用。