从MRI图像使用手工制作的卷积神经网络进行脑瘤细分
Faizan Ullah1, Muhammad Nadeem1, Mohammad Abrar2
1Department of Computer Science, International Islamic University, Islamabad 44000, Pakistan.
Diagnostics (Basel, Switzerland)
|August 26, 2023
概括
这项研究引入了一种混合方法,将手工制作和深度学习功能结合起来,以改善MRI扫描中的脑瘤细分. 这种新方法提高了诊断准确度和临床应用潜力.
科学领域:
- * 医学成像分析分析
- * 医学中的人工智能
- * 计算神经科学 计算神经科学
背景情况:
- * 精确的脑瘤细分从MRI对于临床决策至关重要.
- * 仅使用手工制作或深度学习特征的现有方法具有局限性.
- * 提高细分性能可以改善患者的诊断和治疗.
研究的目的:
- * 开发和评估一种用于脑瘤细分的新型混合方法.
- *将手工制作的功能与深度学习功能相结合,以提高准确性.
- * 评估混合方法与传统技术的性能.
主要方法:
- *从MRI扫描中提取手工制作的特征 (强度,纹理,形状).
- *开发和培训一种新的卷积神经网络 (CNN) 架构.
- *手工制作和CNN提取的功能融合成一个新的CNN路径.
- *使用大脑瘤细分 (BraTS) 数据集和子得分,灵敏度和特异性等指标进行性能评估.
主要成果:
- * 拟议的混合方法显著优于传统的手工制作和个人基于CNN的细分方法.
- * 整合手工制作的功能提升了CNN的性能,从而实现了更强大的解决方案.
- * 实现了高细分精度,子得分,灵敏度和特异性.
结论:
- *与现有技术相比,混合方法为脑瘤细分提供了一种优越的方法.
- * 结合手工制作和深度学习功能,可以获得更具概括性和准确的细分模型.
- * 该方法在神经瘤学中对现实世界的临床应用具有显著的前景.
