基于U-Net的多步密集自动细分用于头部MRI扫描的研究
Yongha Gi1, Geon Oh1, Yunhui Jo2
1Department of Bio-medical Engineering, Korea University, Seoul, Republic of Korea.
Medical physics
|November 13, 2023
概括
多步密集U-Net (MDU-Net) 模型显著改善了头部MRI扫描的自动细分,在关键脑组织和结构的准确性方面超过了现有的方法.
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:
- 由于设备依赖的强度变化,头部MRI扫描的准确细分具有挑战性.
- 现有的方法难以准确地划分解剖结构.
研究的目的:
- 评估一种新的多步密集U-Net (MDU-Net) 架构用于自动头部MRI细分的有效性.
- 为了提高分段头皮,头骨和大脑组织的准确性.
主要方法:
- 一个混合的2.5D和3D密集的U-Net架构 (MDU-Net) 已被开发用于初始细分.
- 用于细粒度组织细分 (CSF,白质,灰质) 的第二个2.5D密度U-Net与直方图标准化.
- 在OASIS-3数据集上使用子相似系数 (DSC),豪斯多夫距离 (HD) 和平均对称表面距离 (ASSD) 评估了细分性能.
主要成果:
- 在所有细分区域 (头皮,头骨,CSF,白质,灰质) 中,MDU-Net获得了高的DSC分数.
- 与Res-U-Net,Dense U-Net,U-Net++和Swin-Unet.net相比,MDU-Net表现出了更高的性能.
- 与H-Dense U-Net相比,MDU-Net在HD和ASSD中显示出显著的改进,特别是在灰质细分方面.
结论:
- 拟议的MDU-Net模型为自动头部MRI细分提供了更高的准确性.
- 在关键细分指标 (DSC,HD,ASSD) 中,MDU-Net的性能优于现有的方法.
- 这种方法有可能通过更精确的MRI分析来提高诊断能力.
