一个基于注意力3DUNET和视觉几何组-19的深度神经网络,用于脑瘤细分和MRI分类
Parvathy Jyothi1, S Dhanasekaran2
1Department of Computer Science and Engineering, Kalasalingam Academy of Research and Education, Krishnankoil, India.
Journal of biomolecular structure & dynamics
|November 18, 2023
概括
这项研究引入了一种新的深度学习系统,用于使用3DMRI扫描检测脑瘤 (BT). 该方法准确地细分和分类脑瘤,改善早期诊断和治疗.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 大脑瘤 (BTs) 是一个重大的健康问题,其发病率正在增加.
- 早期发现BT对于改善患者的治疗结果和治愈率至关重要.
- 磁共振成像 (MRI) 对BT诊断至关重要,但手动细分具有挑战性.
研究的目的:
- 提出一种新的深度学习 (DL) 系统,用于从3DMRI扫描中对脑瘤进行细分和分类.
- 克服现有的基于2D的DL方法用于脑瘤分析的局限性.
- 通过优化DL方法,提高脑瘤诊断的准确性.
主要方法:
- 一个多阶段的DL系统,包括预处理 (双边过),细分 (SC3DUNet),特征提取 (DCVGG-19),特征选择 (蝶优化) 和分类 (深度神经网络).
- 在3D U-Net架构中利用空间和道注意力机制,用于精确的瘤细分.
- 采用蝶优化算法来进行最佳特征选择,以提高分类准确度.
主要成果:
- 与现有的最先进的方法相比,拟议的DL系统在细分和分类脑瘤方面表现出卓越的性能.
- 在BraTS2020数据集上的实验验验证了大脑瘤分析3D方法的有效性.
- 在分段和分类任务中实现了更高的准确性,这表明诊断能力得到了改进.
结论:
- 开发的DL系统为使用3DMRI数据进行脑瘤细分和分类提供了一个有希望和准确的解决方案.
- 这种方法有可能在早期和精确诊断脑瘤方面发挥重要作用.
- 这项研究强调了基于3D的深度学习模型在神经瘤学中复杂的医学图像分析的优势.
