使用基于网络的优化深度学习的剩余网络检测脑瘤
Saransh Rohilla1, Shruti Jain1
1Department of Electronics and Communication Engineering, Jaypee University of Information Technology, Solan, Himachal Pradesh, India.
Current computer-aided drug design
|August 17, 2023
概括
这项研究引入了先进的深度学习模型,用于使用MRI扫描精确地检测和细分脑瘤. 这种新的方法显著提高了准确性和细分性能,改善了瘤患者的护理.
科学领域:
- 医学成像分析 医学成像分析
- 在瘤学中使用人工智能
- 神经外科支持神经外科支持
背景情况:
- 准确的脑瘤诊断和治疗计划对于患者的生存至关重要.
- 瘤变异性对自动细分方法构成挑战.
- 开发精确的自动检测和细分技术用于脑瘤是必不可少的.
研究的目的:
- 提出和评估用于自动脑瘤检测和细分的新型深度学习模型.
- 为了提高脑瘤分析在瘤患者的准确性和效率.
- 利用剩余网络提高医疗图像分析的性能.
主要方法:
- 使用修改后的ResNet50模型进行瘤检测.
- 采用基于ResUNet的卷积神经网络进行瘤细分.
- 在110名患者的多对比MRI数据集上训练并验证了模型 (TCIA,BraTS2015,BraTS2017).
主要成果:
- 在TCIA数据集上实现了96.77%的瘤检测准确度和0.893的子相似系数 (DSC) 进行细分.
- 由于使用剩余网络,证明了评估参数的改进,包括准确性和DSC.
- 在BraTS2015和BraTS2017数据集上验证了模型性能,显示一致和可靠的结果.
结论:
- 剩余网络显著提高了检测精度和细分性能 (DSC).
- 提出的模型显示,与标准UNet模型相比,DSC增加了5.9%.
- 模型精度在测试组上从92%提高到96.77%,表明性能优越.
