一种具有高效DCNN-Resunet方法的新的Gateaux衍生品,用于细分多类脑瘤
1Computer Science and Engineering, National Institute of Technology Patna, Ashok Rajpath, Patna, 800005, Bihar, India. anitamurmu.cs@gmail.com.
Medical & biological engineering & computing
|June 20, 2023
概括
使用转移学习 (TL) 的新型深度卷积神经网络 (DCNN) 模型在MRI扫描中准确检测大脑瘤的位置. 这种先进的方法可以改善各种脑瘤的诊断和治疗计划.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算病理学计算病理学
背景情况:
- 在磁共振图像 (MRI) 中精确检测脑瘤对于医学诊断和治疗计划至关重要.
- 瘤形状和大小的变化对MRI数据集中精确的位置识别提出了挑战.
研究的目的:
- 提出一种基于深度卷积神经网络 (DCNN) 的新型残余联网 (ResUnet) 模型与转移学习 (TL) 进行精确的脑瘤位置预测.
- 通过提高边界边缘的识别来提高多类脑瘤的检测.
主要方法:
- 开发了一个定制的深度卷积神经网络 (DCNN) 模型,结合了剩余-Unet (ResUnet) 架构.
- 转移学习 (TL) 用于高效的特征提取和兴趣区域 (ROI) 选择,加速模型培训.
- 使用最小-最大正常化和Gateaux衍生 (GD) 来提高ROI边界检测和精确的多类瘤识别.
主要成果:
- 拟议的ResUnet模型在脑瘤和FigshareMRI数据集上实现了高精度 (高达99.78%).
- 评估指标表现出强的表现,包括Jaccard系数 (高达94.95%) 和 Dice Factor系数 (高达92.37%).
- 该系统在MRI脑瘤细分任务中表现优于现有的最先进的细分模型.
结论:
- 基于DCNN的新型ResUnet模型与TL为MRI中多类脑瘤细分提供了强大而准确的解决方案.
- 提出的方法有效地解决了与瘤变异性相关的挑战,提高了诊断能力.
- 这种方法显示出改善神经瘤学和病理学临床工作流程的巨大潜力.
