ICUnet++:一个基于Unet++的Inception-CBAM网络,用于MR脊柱图像细分
Lei Li1, Juan Qin1, Lianrong Lv1
1School of Integrated Circuit Science and Engineering, Tianjin University of Technology, Tianjin, 300384 China.
International journal of machine learning and cybernetics
|June 26, 2023
概括
本研究介绍了ICUnet++,这是一个高效的自动细分模型,用于MRI脊柱图像. 它显著提高了脊椎和椎间盘的细分精度,有助于临床诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 脊柱外科手术 脊柱外科手术
背景情况:
- 脊柱疾病需要准确的医学图像细分来诊断和治疗.
- 传统的细分方法耗时且劳动密集.
- 脊椎和椎间盘的自动细分对于有效的临床评估至关重要.
研究的目的:
- 为MR脊柱图像开发一种高效和新的自动细分网络模型.
- 与传统方法相比,提高脊柱图像细分的准确性和速度.
- 引入Inception-CBAM Unet++ (ICUnet++) 模型,以进行增强的特征提取和基于注意力的改进.
主要方法:
- 设计了Inception-CBAM Unet++ (ICUnet++) 模型,集成Inception模块用于多受体场特征提取.
- 整合了注意力门和CBAM模块,以增强本地特征突出显示.
- 使用SpineSagT2Wdataset3脊柱MRI数据集对模型进行了评估.
- 在业绩评估中使用了欧盟交叉点 (IoU),子相似系数 (DSC),真正率 (TPR) 和正预测值 (PPV).
主要成果:
- ICUnet++模型实现了高细分性能.
- 实现了83.16%的IOU,90.32%的DSC,90.40%的TPR和90.52%的PPV.
- 与现有方法相比,在细分指标上表现出显著的改进.
结论:
- 拟议的ICUnet++模型对于MR脊柱图像的自动细分是有效的.
- 该模型增强了特征提取和注意力机制,以提高准确性.
- 这一进步有助于更快,更准确地对脊柱疾病进行临床评估.
