一个智能LinkNet-34模型与EfficientNetB7编码器用于大脑瘤的语义细分

科学领域:

• 医学图像分析 医学图像分析
• 医疗保健中的人工智能
• 神经学 神经学

背景情况:

• 大脑瘤具有攻击性,需要准确的细分来进行早期诊断.
• 放射科医生的手动细分是耗时的,劳动密集的,容易出现错误的.
• 深度学习模型展示了在脑瘤诊断中超越人类专家表现的潜力.

研究的目的:

• 在MRI图像中提出用于脑瘤的自动语义细分模型.
• 通过深度学习提高脑瘤细分的准确性和效率.
• 评估拟议模型的性能与现有方法和各种配置相比.

主要方法:

• 开发了一种使用深层卷积神经网络的编码解码器架构.
• 拟议的模型,LinkNet-34,包含一个EfficientNetB7编码器,专注于图像下采样.
• 性能与FPN,U-Net和PSPNet进行了比较,测试了编码器变体 (ResNet34,MobileNet_V2,ResNet50) 和优化器 (RMSProp,Adamax,Adam).

主要成果:

• 带有EfficientNetB7编码器的LinkNet-34模型表现出卓越的性能.
• 使用Adamax优化器进行优化产生了最好的结果.
• 该模型实现了0.89的雅卡德指数和0.915的子系数.

结论:

• 拟议的LinkNet-34模型与EfficientNetB7编码器为大脑瘤细分提供了一个高度准确的解决方案.
• 阿达马克斯优化器显著提高了模型的细分能力.
• 这种深度学习方法有望提高大脑瘤诊断医疗图像分析的效率和准确性.