Comparative evaluation of autoencoder architectures for lung tumor segmentation in CT images
Fragment książki (Rozdział monografii pokonferencyjnej)
MNiSW
20
Poziom I
| Status: | |
| Autorzy: | Lytvynenko Volodymyr I., Smolarz Andrzej, Przybylski Piotr, Manzhula Volodymyr, Sineglazov Victor, Pak Alexandr, Lurie Irina, Voronenko Maria, Smailova Saule |
| Dyscypliny: | |
| Aby zobaczyć szczegóły należy się zalogować. | |
| Wersja dokumentu: | Drukowana | Elektroniczna |
| Język: | angielski |
| Strony: | 1 - 15 |
| Scopus® Cytowania: | 0 |
| Bazy: | Scopus |
| Efekt badań statutowych | NIE |
| Materiał konferencyjny: | TAK |
| Nazwa konferencji: | Photonics Applications in Astronomy, Communications, Industry, and High Energy Physics Experiments 2025 |
| Skrócona nazwa konferencji: | SPIE-IEEE-PSP 2025 |
| URL serii konferencji: | LINK |
| Termin konferencji: | 3 lipca 2025 do 4 lipca 2025 |
| Miasto konferencji: | Lublin |
| Państwo konferencji: | POLSKA |
| Publikacja OA: | NIE |
| Abstrakty: | angielski |
| Accurate segmentation of lung tumours in computed tomography (CT) images is a key task in computer-aided diagnosis and treatment planning. This paper presents a comparative analysis of four autoencoder architectures—Vanilla Autoencoder, Variational Autoencoder (VAE), U-Net Autoencoder, and Attention-VAE—for the segmentation of lung cancer lesions using the Task03_Lung dataset from the Medical Segmentation Decathlon. Quantitative evaluation based on Dice Similarity Coefficient, Intersection over Union, Hausdorff Distance, Precision, Recall, and Volume Similarity reveals the superiority of the Attention-VAE model due to its ability to focus on semantically relevant features through attention mechanisms. The study also highlights the clinical interpretability and computational efficiency of autoencoder-based segmentation methods. The findings support the suitability of probabilistic and attention-guided autoencoding for high-precision medical image analysis. |
