一种基于改进的U-Net的MRI脑瘤细分方法
Jiajun Zhu1, Rui Zhang1, Haifei Zhang1
1School of Computer and Information Engineering, Nantong Institute of Technology, Nantong 226600, China.
Mathematical biosciences and engineering : MBE
|February 2, 2024
概括
这项研究引入了一种增强的U-Net模型,用于改进MRI脑瘤细分. 这种新的方法显著提高了细分精度,有助于诊断和治疗规划.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 卷积神经网络 (CNN) 在脑瘤图像细分过程中可能会丢失特征信息.
- 现有的U-Net模型可能无法完全捕捉精确细分的关键特征.
研究的目的:
- 开发一个增强的U-Net架构,以改善MRI脑瘤细分.
- 在基于CNN的细分中解决特征信息丢失和类不平衡问题.
主要方法:
- 利用ResNet50作为U-Net中增强特征提取的骨干.
- 将卷积块注意模块 (CBAM) 集成到剩余模块中以进行特征改进.
- 结合交叉损失和子相似系数来处理类不平衡并改善细分.
主要成果:
- 增强的U-Net实现了86.64%的欧盟 (IoU) 平均交叉点.
- 子得分达到了87.47%,超过了原来的U-Net和R-Unet模型.
- 与基线模型相比,显示了3.13% (IoU) 和2.06% (Dice) 的显著改善.
结论:
- 提议的增强U-Net模型显著提高了MRI脑瘤细分效率.
- 该方法为临床MRI诊断和治疗提供了宝贵的技术支持.
- 注意力机制和组合损失功能提高了细分性能和稳定性.
