使用U-Net架构的双输出进行脑瘤分类和细分:O2U-Net
Seyed Aman Zargari1, Zahra Sadat Kia2, Ali Mohammad Nickfarjam2,3
1Electrical Engineering Department, Faculty of Electrical and Computer Engineering, Semnan University, Semnan, Iran.
Studies in health technology and informatics
|June 30, 2023
概括
这项研究引入了一种修改后的U-Net架构,用于改进脑瘤细分和分类. 这种新的方法通过在U-Net过程中早期整合分类来提高诊断准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经瘤学神经瘤学
背景情况:
- 准确的脑瘤细分和分类对于有效的治疗计划至关重要.
- 现有的深度学习模型,如U-Net,显示出希望,但可以进一步优化组合任务.
研究的目的:
- 建议修改U-Net架构,同时对脑瘤进行细分和分类.
- 通过在U-Net框架内集成分类模块来提高诊断性能.
主要方法:
- 一个修改后的U-Net架构与额外的分类输出被开发出来.
- 使用完全连接的层来分类图像,使用在下方采样过程中提取的特征.
- 分段输出通过U-Net的标准升级采样过程生成.
主要成果:
- 修改后的U-Net取得了竞争力的结果: 80.83%的子系数,99.34%的准确性和77.39%的灵敏度.
- 对3064张MRI脑瘤图像的大型数据集进行了性能评估.
- 结果与现有的脑瘤分析模型相似.
结论:
- 建议修改的U-Net架构在联合脑瘤细分和分类方面表现出有效性.
- 在U-Net过程中早期整合分类显示了改善诊断结果的潜力.
- 这种方法在使用医学成像的自动化脑瘤分析中提供了有希望的进步.
