一个深层卷积神经网络用于质母细胞瘤脑瘤的自动细分:联合空间金字塔模块和注意力机制网络
Hengxin Liu1, Jingteng Huang1, Qiang Li1
1School of Microelectronics, Tianjin University, Tianjin, China.
Artificial intelligence in medicine
|February 7, 2024
概括
这项研究引入了一种新的深度学习网络,用于自动化质母细胞瘤脑瘤细分,提高准确性和效率. 该方法增强了多层次的细节和背景,为临床实践中手动细分提供了有竞争力的替代方案.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经瘤学神经瘤学
背景情况:
- 从MRI中手动细分质母细胞瘤脑瘤是耗时和劳动密集的.
- 由于瘤的复杂性,自动细分面临着边界信息丢失和次区域错误分类等挑战.
研究的目的:
- 开发一个深层卷积神经网络,用于自动地质母细胞瘤细分.
- 通过空间金字塔模块和注意力机制来克服细分挑战.
主要方法:
- 提出了一个包含空间金字塔和注意力模块的深度卷积神经网络.
- 利用多序磁共振图像进行细分.
- 在公开的BraTS数据集 (2018-2021) 上进行评估.
主要成果:
- 在增强瘤,整个瘤和瘤核心的数据集中获得了高的子得分.
- 证明性能与最先进的方法相比,只有1.90M个参数.
- 减少了实验设备的需求,并实现了快速细分 (1.48s/case).
结论:
- 拟议的网络为质母细胞瘤细分提供了有效和准确的解决方案.
- 其减少的资源需求和速度使其在临床应用中具有高度竞争力.
- 空间金字塔和注意力机制的整合有效地解决了细分挑战.
