桥接-U-Net-ASPP-EVO和深度学习优化用于大脑瘤细分.
Rammah Yousef1, Shakir Khan2,3, Gaurav Gupta1
1Yogananda School of AI, Computers and Data Sciences, Shoolini University, Solan 173229, India.
Diagnostics (Basel, Switzerland)
|August 26, 2023
概括
这项研究使用深度学习增强了MRI中的脑瘤细分,引入了一种新的桥梁U-Net-ASPP-EVO模型. 新架构显著提高了各种瘤子区域的细分精度.
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:
- 在MRI中手动细分脑瘤对于放射科医生来说是复杂和耗时的.
- 准确的细分对于诊断,治疗计划和脑瘤监测至关重要.
- 深度学习为自动化和提高脑瘤细分的准确性提供了潜力.
研究的目的:
- 研究深度学习优化器和损失函数对脑瘤细分的影响.
- 引入和评估一种新的深度学习架构,即 Bridged U-Net-ASPP-EVO,用于增强脑瘤细分.
- 将拟议模型的性能与基准数据集上的最先进方法进行比较.
主要方法:
- 对深度学习优化器和损失函数用于脑瘤细分的实验性评估.
- 桥梁U-Net-ASPP-EVO架构的开发,其中包括Atrous空间金字塔聚合,演化规范化,挤压和激发块以及最大平均聚合.
- 在MICCAI BraTS 2020和RSNA-ASNR-MICCAI BraTS 2021数据集上验证拟议架构的两个变体 (v1和v2).
主要成果:
- 与现有最先进的模型相比,桥梁U-Net-ASPP-EVO模型取得了具有竞争力的结果.
- 在ET,TC和WT分区的BraTS 2021验证数据集上,实现了0.84,0.85,0.91的1.0和0.83,0.86,0.92的2.0的变体.
- 证明了整合多层次信息处理和高级规范化技术的有效性,以改善细分.
结论:
- 拟议的桥梁U-Net-ASPP-EVO架构有效地从MRI扫描中对大脑瘤进行细分.
- 这项研究强调了像Atrous空间金字塔聚合这样的建筑组件对于处理不同大小的瘤的重要性.
- 开发的模型显示出在自动化脑瘤细分中临床应用的重大前景.


