双头UNetEfficientNets用于并行执行脑瘤的细分和分类:结合后处理技术与连接的组件标签
Hari Mohan Rai1, Joon Yoo2, Serhii Dashkevych3
1School of Computing, Gachon University, 1342 Seongnam-daero, Sujeong-Gu, Seongnam-Si, 13120, Gyeonggi-Do, Republic of Korea. drhmrai@gachon.ac.kr.
Journal of cancer research and clinical oncology
|April 29, 2024
概括
这项研究引入了一种先进的深度学习模型,用于自动化脑瘤检测和MRI扫描的细分. UNetEfficientNet-B4模型实现了高精度,改善了脑瘤患者的诊断和治疗计划.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 大脑瘤,特别是多形质母细胞瘤 (GBM),死亡率很高.
- 准确及时诊断对于改善患者预后至关重要.
- 目前的诊断方法需要通过创新技术进行改进.
研究的目的:
- 通过深度学习开发用于脑瘤检测和细分的自动化和准确的方法.
- 增强各种脑瘤类型的诊断过程,包括脑膜瘤,质瘤和垂体瘤.
- 通过先进的医学成像分析来改善患者的治疗结果.
主要方法:
- 开发了一种新的双头UNetEfficientNets模型,用于同时对脑瘤进行细分和分类.
- 使用了3064张脑MRI图像的数据集,并采用了12种数据增强技术.
- 评估了六种深度学习模型 (UNetEfficientNet-B0至B5),优化了与 BCE 和焦点损失的细分和分类头.
- 使用后处理技术,包括连接组件标签 (CCL) 和组合模型.
主要成果:
- 在后处理过程中,UNetEfficientNet-B4模型实现了99.4%的精度.
- 记录了高性能指标:DICE (94.03%),精度 (98.67%) 和后处理后的回忆 (99.00%).
- 合并技术进一步提升了细分业绩,获得了全球DICE得分95.70%和Jaccard指数91.20%.
结论:
- UNetEfficientNet-B4模型在MRI自动脑瘤检测和细分方面表现出高效率和准确性.
- 这种深度学习方法显示了改善脑瘤诊断和治疗规划的重大前景.
- 这些发现表明,通过医学成像中的先进人工智能,可以改善患者的治疗结果和预后.
