基于3D医疗图像细分的层次解卷积的特征交互网络
Longfeng Shen1,2,3, Yingjie Zhang1, Qiong Wang1
1Anhui Engineering Research Center for Intelligent Computing and Application on Cognitive Behavior (ICACB), College of Computer Science and Technology, Huaibei Normal University, Huaibei, Anhui, China.
PloS one
|July 13, 2023
概括
这项研究引入了一种改进的深度学习方法,用于在3D医学图像中对脑瘤进行细分. 这种新的方法提高了临床应用的准确性和效率,例如手术规划.
科学领域:
- 医学成像医学成像
- 人工智能的人工智能是人工智能.
- 神经科学是一个神经科学.
背景情况:
- 手动对多模式脑瘤进行细分是耗时且具有挑战性的.
- 准确的细分对于临床治疗决策和手术规划至关重要.
- 由于瘤多样性和有限的计算资源,深度学习在医学图像细分方面面临挑战.
研究的目的:
- 开发一种自动和准确的方法来细分多模式脑瘤.
- 为了提高神经网络细分的性能,使用一种新的功能融合模块和注意力机制.
- 为了解决医疗图像细分中的类别失衡问题.
主要方法:
- 提出了一个基于层次解卷积网络和注意力机制的特征融合模块.
- 用功能融合模块取代U形网络跳过连接.
- 引入了一个全球关注机制,以整合编码器功能并探索上下文信息.
主要成果:
- 在BraTS 2019数据集上实现了0.775 (增强瘤),0.900 (整个瘤) 和0.827 (瘤核心) 的子相似系数 (DSC).
- 在2018年BraTS数据集上实现了0.800 (增强瘤),0.902 (整个瘤) 和0.841 (瘤核心) 的DSC.
- 证明了该方法在脑瘤图像研究中的普遍性和有效性.
结论:
- 拟议的方法为脑瘤图像分析提供了一个强大的工具.
- 功能融合模块和注意力机制有效地提高了细分精度.
- 该方法为复杂的医疗图像细分任务提供了通用的解决方案.
