MAU-Net:混合注意力U-Net用于MRI脑瘤细分
Yuqing Zhang1,2, Yutong Han1,2, Jianxin Zhang1,2,3
1School of Computer Science and Engineering, Dalian Minzu University, Dalian 116600, China.
Mathematical biosciences and engineering : MBE
|December 21, 2023
概括
这项研究介绍了MAU-Net,这是一种新的混合注意力U-Net模型,用于MRI扫描中的脑瘤细分. 通过整合空间通道和自我注意机制,MAU-Net提高了细分精度,改善了临床诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算神经科学是一种神经科学.
背景情况:
- 通过MRI精确地分离脑瘤对于有效的临床管理至关重要.
- 在自动脑瘤细分方面,U-Net架构已经显示出有前途.
- 注意力机制可以提高深度学习模型的性能.
研究的目的:
- 提出一种新的混合注意力U-Net (MAU-Net) 模型,用于在MRI中增强脑瘤细分.
- 在U-Net框架内整合空间道注意力和自我注意力机制.
- 为了提高自动脑瘤细分的准确性和稳定性.
主要方法:
- 开发了MAU-Net,在编码器中结合了Shuffle Attention (空间通道) 和在瓶处增强的变压器模块 (自我注意).
- 采用U-Net架构作为基础模型.
- 利用磁共振成像 (MRI) 数据集用于脑瘤细分.
主要成果:
- MAU-Net在BratS 2019/2020验证数据集上提高了瘤,整个瘤和瘤核心细分的Dice得分.
- 该模型显示,与基线U-Net.net相比,平均性能有所改善.
- 与其他最先进的方法相比,MAU-Net显示出具有竞争力的结果.
结论:
- 拟议的MAU-Net有效地提高了MRI中的脑瘤细分精度.
- 混合注意力机制的整合有助于显著改善细分性能.
- MAU-Net为神经瘤学中的临床应用提供了一个有前途的方法.
