使用YOLOv7和抓取切割算法从MRI图像中定位和提取脑瘤的深度学习模型

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:

• 脑瘤 (BT) 是一个重要的全球健康问题,需要早期和准确的诊断.
• 磁共振成像 (MRI) 对于BT检测至关重要,但传统方法在精确的瘤定位和提取方面扎.
• 需要先进的技术来提高MRI中瘤识别的稳定性.

研究的目的:

• 开发和评估一种深度学习模型,以增强MRI图像中脑瘤的定位和提取.
• 调查YOLOv7模型和Grab Cut算法的瘤细分的联合有效性.
• 将拟议方法的性能与现有的脑瘤检测技术进行比较.

主要方法:

• 使用基于深度学习 (DL) 的你只看一次 (YOLOv7) 模型进行初始瘤区域定位.
• 采用了与YOLOv7结合的Grab Cut算法来细分并从局部区域提取瘤.
• 通过准确性,精度,回忆,特异性,F1分数和子分数等指标来评估性能.

主要成果:

• 与混合CNN-SVM,YOLOv5和YOLOv6.6相比,拟的YOLOv7和Grab Cut组合表现出优越的性能.
• 整合Grab Cut算法显著提高了YOLOv7模型的性能.
• 获得了高子得分,表明提取的瘤图像与地面真相之间有很好的一致性.

结论:

• 结合YOLOv7和Grab Cut的方法为MRI中脑瘤定位和提取提供了强大而准确的方法.
• 这种技术显示出改善脑瘤早期诊断和治疗计划的巨大潜力.
• 进一步的研究可以探索这种模型在各种临床环境和各种成像方式中的应用.