mResU-Net:基于U-Net的多尺度残留脑瘤细分从多模式MRI
Pengcheng Li1, Zhihao Li2, Zijian Wang2
1School of Mechanical and Power Engineering, Harbin University of Science and Technology, Harbin, Heilongjiang, 150000, China. pcli226@163.com.
Medical & biological engineering & computing
|November 19, 2023
概括
这项研究介绍了mResU-Net,这是一种用于MRI扫描中脑瘤细分的新型深度学习模型. 先进的网络在识别瘤核心,整个瘤和增强瘤区域方面实现了高精度.
科学领域:
- 医疗图像处理 医学图像处理
- 人工智能在医学中的应用
- 神经成像分析分析 神经成像分析
背景情况:
- 准确的脑瘤细分对于诊断和治疗计划至关重要.
- 现有的方法在精确划分瘤子区域时面临挑战.
- 深度学习为改善医学成像中的细分精度提供了潜力.
研究的目的:
- 开发一种先进的端到端深度学习模型,用于精确的脑瘤细分.
- 为了提高细分瘤核心 (TC),整个瘤 (WT) 和增强瘤 (ET) 区域的准确性.
- 为了解决当前脑瘤细分技术的局限性.
主要方法:
- 提出了一个新的多尺度深度残留卷积神经网络 (mResU-Net).
- 使用了U-Net架构,使用跳过连接来弥合编码器-解码器语义差距.
- 嵌入的残留结构以减轻消失梯度和多尺度卷积核以改进目标检测.
- 集成的频道关注模块进一步提高了细分精度.
主要成果:
- 在BraTS 2021数据集上获得高平均子得分:0.9289 (TC),0.9277 (WT) 和0.8965 (ET).
- 与现有的方法相比,在细分脑瘤子区域方面取得了显著的改善.
- 在复杂的细分任务中,mResU-Net模型表现出强的性能.
结论:
- 拟议的mResU-Net模型在自动化脑瘤细分方面取得了重大进展.
- 多尺度内核和注意力机制的整合提高了细分精度.
- mResU-Net显示了在神经瘤学中临床应用的巨大潜力.
