使用3D生成对抗网络对脑瘤进行细分
Behnam Kiani Kalejahi1, Saeed Meshgini1, Sebelan Danishvar2
1Department of Biomedical Engineering, Faculty of Electrical and Computer Engineering, University of Tabriz, Tabriz 385Q+246, Iran.
Diagnostics (Basel, Switzerland)
|November 14, 2023
概括
这项研究引入了3D生成对抗网络 (GAN),用于MRI扫描中精确的脑瘤细分. 该方法通过使用相互训练来改善图像细分来增强瘤检测.
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扫描中检测大脑瘤是具有挑战性的,因为微妙的视觉线索和有限的标记数据集.
- 医疗图像的手动细分是耗时和劳动密集型的,阻碍了大规模分析.
研究的目的:
- 提出一个准确的细分方法,用于3D核磁共振脑图像,以准确识别瘤位置.
- 为了利用生成对抗网络 (GANs) 改善脑瘤细分.
主要方法:
- 利用3D生成对抗网络 (GAN) 作为分类网络,用于在MRI数据中检测和细分脑瘤.
- 在GAN框架内实施了相互培训,以完善对标记数据的细分精度.
- 通过使用BraTS 2021数据集对3D大脑MRI图像进行比较,比较了两个实验模型.
主要成果:
- 3D GAN模型展示了密集的连接性,使网络快速融合和增强信息提取.
- 在GAN方法中的相互培训改善了细分结果,使它们与标记数据更紧密地对齐.
- 拟议的方法显示了在3DMRI扫描中精确瘤细分的潜力.
结论:
- 开发的3D GAN细分方法为医学成像中准确识别脑瘤提供了一个有前途的方法.
- 这种技术解决了手动细分和小数据集的局限性,可能改善诊断能力.
- 使用BraTS 2021数据集进行了进一步的验证和与现有模型的比较.
