保存U-Net的模式用于对多式联络医疗图像进行细分
Bingxuan Wu1, Fan Zhang1, Liang Xu2
1Department of Precision Machinery and Precision Instrumentation, University of Science and Technology of China, Hefei, China.
Quantitative imaging in medicine and surgery
|August 15, 2023
概括
一个新的深度学习模型,Modality Preserving U-Net (MPU-Net),通过保留单个数据类型和融合特征来增强医疗图像细分. MPU-Net在脑瘤和前列腺细分任务中表现出卓越的性能.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 计算机视觉 计算机视觉
背景情况:
- 多模式医学成像提供了更丰富的数据,但对语义细分提出了挑战.
- 现有的研究缺乏对单模和多模医疗图像在多个尺度上的系统分析.
- 深度神经网络越来越多地用于这个领域的细分.
研究的目的:
- 提出一种新的深度神经网络,用于从多模式图像中对医疗目标进行模式保存分析和细分.
- 开发一个能够有效处理多式联络医疗数据复杂性的网络.
- 为了提高医疗图像细分的准确性和稳定性.
主要方法:
- 介绍保存模式的U-Net (MPU-Net),一个深度神经网络架构.
- MPU-Net 包含一个模式保存编码器 (MPE),以保持跨模式的功能独立性.
- 一个模态融合解码器 (MFD) 执行多尺度的特征融合,以增强表示.
主要成果:
- 与现有方法相比,MPU-Net在脑瘤和前列腺数据集上表现出优异的细分性能.
- 在脑瘤 (例如,整个瘤的89.42%) 和前列腺 (例如,过渡区的90.38%) 中获得了高的子得分 (DSC).
- 废弃研究证实,结合单模保存和多模融合可以改善特征分析.
结论:
- MPU-Net显著提高了多式联络医疗图像细分的准确性.
- 该方法显示了在各种医疗图像细分任务中更广泛的应用潜力.
- 该方法有效地解决了分析丰富,多式联络医疗成像数据的挑战.
