在MRI中分类3D Voxels的新突破点:使用3t2FTS-v2的空间转换策略及其对基于ResNet50的大脑瘤分类的应用
Hasan Koyuncu1, Mücahid Barstuğan1
1Electrical & Electronics Engineering Department, Faculty of Engineering and Natural Sciences, Konya Technical University, Konya 42250, Türkiye.
Bioengineering (Basel, Switzerland)
|June 28, 2023
概括
一种新的方法,3t2FTS-v2将3DMRI数据转换为2D,使2D深度学习模型能够准确地进行瘤分类. 这种方法在分类质瘤方面达到99.64%的准确性,为脑成像分析提供了重大进步.
科学领域:
- 医学成像分析分析 医学成像分析
- 机器学习在医疗保健中的应用
- 放射学和特征提取技术
背景情况:
- 三维 (3D) 图像分析对于分类任务至关重要,通常采用3D深度学习或特定任务框架.
- 对于3D磁共振成像 (MRI) 分类,有效的特征转换方法存在差距,从3D转变为2D.
- 现有的方法缺乏最先进的特征转换,用于使用可适应的2D模型进行高精度的3DMRI分类.
研究的目的:
- 引入一个改进的特征转换方法,3t2FTS-v2,用于3DMRI数据.
- 为了使转移学习模型在3DMRI中用于瘤分类的应用.
- 为满足对3DMRI分类有效的3D到2D特征转换策略的需求.
主要方法:
- 拟议的3t2FTS-v2方法将3DMRI特征转换为2D空间,使用第一阶统计 (FOS) 和灰色水平运行长度矩阵 (GLRLM) 纹理特征.
- 规范化分析被纳入3t2FTS-v2,与原来的3t2FTS不同,以提高精确的空间转换.
- 在BraTS 2017/2018数据集上,ResNet50架构被用于高级质瘤 (HGG) 和低级质瘤 (LGG) 的分类.
主要成果:
- 3t2FTS-v2方法在3D数据分类方面实现了99.64%的高精度.
- 该方法证明了从3D空间到2D空间的特征的有效转换,用于瘤分级.
- 该研究使用ResNet50模型成功地将转移学习应用于HGG/LGG分类.
结论:
- 3t2FTS-v2方法为基于3DMRI的分类任务提供了显著的进步,特别是在瘤分级方面.
- 这种方法可以使用强大的2D深度学习模型来分析复杂的3D医学成像数据.
- 3t2FTS-v2技术具有更广泛的应用潜力,用于分类除质瘤之外的各种脑组织疾病.
