问题
传统机器学习与深度学习方法在肝脏 CT 分割任务中有何差异？
已发表论文 · 医学影像
机器学习与深度学习在医学图像分割中的应用——以肝脏 CT 图像为例
Application of Machine Learning and Deep Learning in Medical Image Segmentation—an Example of Liver CT Images
2025 第五届亚太通信技术与计算机科学会议（ACCTCS）
研究概要
范围
论文从重叠指标、速度、复杂度和可解释性等角度比较 SVM 与 U-Net 方法。
意义
这是我的第一个端到端科研项目，涵盖文献研究、预处理、评估和学术写作。
摘要
在现代医学中，肝脏图像分割对于肝脏疾病的精确诊断具有重要意义，但分割精度与结果可靠性仍面临多项挑战。本研究关注机器学习与深度学习技术在肝脏 CT 图像中的应用，使用支持向量机与卷积神经网络模型，从多个角度评估算法表现。研究讨论显示，深度学习模型在大规模图像分割中具有更高的精度和处理效率，而传统机器学习方法在单幅图像处理方面具有一定优势。论文进一步讨论了注意力模块和多尺度特征融合对模型实际表现的潜在改进作用。
查看英文原摘要
In the realm of modern medicine, the process of liver image segmentation holds immense significance in facilitating precise diagnoses of hepatic diseases. However, this procedure is currently confronted with numerous challenges, including the challenges of achieving optimal accuracy and reliability in the results obtained. This study focuses on the application of machine learning and deep learning techniques to computed tomography (CT) liver images. The study utilizes support vector machine and convolutional neural network architectural models to assess the performance of the algorithms from diverse perspectives through experimental evaluations. The results of this investigation show the efficacy of a deep learning model in large-scale image segmentation, exhibiting superior accuracy and processing speed. In contrast, the machine learning algorithm demonstrates superiority in single-image processing. The innovation of the machine learning algorithm is achieved by incorporating an attention module and implementing multi-scale feature fusion, thereby boosting the model's practical performance and providing more reliable support for medical diagnosis.
研究设计
论文采用公开的 LiTS-ISBI2017 数据集，将图像统一缩放至 256×256，并进行归一化和数据增强；文中讨论了 7:2:1 的训练、验证和测试划分，使用 Dice 系数与 Jaccard 指数评价重叠程度。
论文报告的比较
以下数据来自已发表论文，仅表示论文报告值，并非为本网站重新独立复现的基准实验。
| 指标 | 深度学习（U-Net） | 传统机器学习（SVM） |
|---|---|---|
| Dice 系数 | 高于 0.90 | 0.75–0.80 |
| Jaccard 指数 | 0.85 | 0.70 |
| 单幅图像处理时间 | 2–3 秒（3D U-Net） | 0.5 秒 |
论文报告结果: IEEE ACCTCS 2025 paper.
这项研究带来的基础
这个项目让我第一次完成完整科研流程：定义问题、组织相关工作、说明预处理与评价方法、比较模型类别，并完成会议论文写作。它也促使我在后续研究中更加重视实验协议和可复现性。
范围与局限
- 这是一项广泛的比较研究，而不是新的临床分割系统。
- 论文报告值不应理解为在同一套经过审计的代码中完成的严格重新实现。
- 若用于临床，还需要外部验证、更强基线和完整复现材料。