TL-MSE2-Net:基于转移学习的嵌套模型,用于动脉瘤的大脑血管细分.

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 神经科学是一个神经科学.

背景情况:

• 脑血管细分对于诊断大脑疾病至关重要.
• 目前的U-Net模型因有限的数据和不足的特征提取而与受瘤影响的血管作斗争.

研究的目的:

• 开发一个改进的转移学习模型 (TL-MSE2-Net),以加强脑血管细分,特别是在瘤病例中.
• 为了应对有限的临床数据集和现有模型中不足的特征提取的挑战.

主要方法:

• 使用基于3D U-Net.Net的预训练嵌套模型 (TL-MSE2-Net) 的转移学习策略.
• 整合了ResMul,DeRes块用于多尺度特征提取和REAM块用于边缘voxel加权.
• 利用公开可用的数据集进行预培训,以克服数据稀缺.

主要成果:

• 在公共数据集上,MSE2-Net框架获得了高的子分数 (70.81%和89.08%),超过了最先进的方法.
• 在私人临床数据集上,TL-MSE2-Net表现出卓越的性能,在子得分,灵敏度,贾卡德指数和精度上有显著改善.
• 废弃性研究证实了个别模型块的有效性.

结论:

• 拟议的TL-MSE2-Net通过改善特征提取和利用转移学习,有效地增强了脑血管细分.
• 这种方法为细分复杂的脑血管结构提供了一个有希望的解决方案,特别是在存在瘤和有限数据的情况下.