先进的质瘤诊断:集成定制的U-Net和VGG-16以改善MR成像中的分级
Sonam Saluja1, Munesh Chandra Trivedi1, Shiv S Sarangdevot2
1Department of Computer Science and Engineering, National Institute of Technology Agartala, Tripura, 799046, India.
Mathematical biosciences and engineering : MBE
|March 29, 2024
概括
这项研究通过使用深度学习来增强质瘤诊断. 一个新的U-Net和VGG-16集成实现了高精度的细分和分类脑瘤,改善了患者治疗策略.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 神经瘤学神经瘤学
背景情况:
- 准确的质瘤细分和分类对于有效的患者治疗至关重要.
- 现有的医学成像分析方法在精度和效率方面面临挑战.
- 深度学习为推进质瘤诊断提供了潜力.
研究的目的:
- 开发和评估一种新的深度学习方法来对质瘤进行细分和分类.
- 为了提高瘤定位和等级差异化的准确性.
- 为医疗成像分析建立一个标准化的数据预处理管道.
主要方法:
- 集成一个定制的U-Net模型,用于精确的质瘤细分.
- 使用微调的VGG-16模型与定制输出层用于质瘤分类.
- 实施标准化预处理,包括马校正,数据增强和规范化.
- 使用BraTS 2018数据集进行验证.
主要成果:
- 获得高分段子得分:整体瘤 (WT) 0.96,瘤核心 (TC) 0.92,增强瘤 (ET) 0.89.
- 获得了97.89%的整体分类准确度,用于区分质瘤等级.
- 与现有方法相比,表现出优越的性能.
结论:
- 拟议的综合深度学习模型显著提高了质瘤的诊断.
- 这种方法显示出强大的潜力,可以改善医疗成像中的瘤定位和分级分类.
- 研究结果支持将先进的人工智能方法整合到神经瘤学中,以改善临床决策.
