基于CNN的瘤细分方法的综合基准测试,使用多模式MRI数据
Kavita Kundal1, K Venkateswara Rao2, Arunabha Majumdar3
1Department of Biotechnology, Indian Institute of Technology Hyderabad, Kandi, Telangana, 502284, India.
Computers in biology and medicine
|June 26, 2024
概括
EnsembleUNets在MRI扫描的自动脑瘤细分方面表现出卓越的性能,优于其他深度学习方法. 这一进展对于改善癌症诊断和治疗计划至关重要.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 磁共振成像 (MRI) 对于脑瘤检测至关重要.
- 通过MRI进行手动瘤细分是耗时且劳动密集的.
- 自动化细分方法对于高效准确的分析越来越重要.
研究的目的:
- 为了对四种基于卷积神经网络 (CNN) 的脑瘤细分方法进行比较和评估.
- 为了比较CaPTk,2DVNet,EnsembleUNets和ResNet50.50.的性能,我们使用了
- 用直接图像比较和放射性特征来评估细分精度.
主要方法:
- 利用了来自BraTS2021数据集的1251个多式共振磁共振扫描.
- 我们比较了四个CNN模型:CaPTk,2DVNet,EnsembleUNets和ResNet50.net.
- 使用子相似系数 (DSC) 和豪斯多夫距离 (HD) 以及放射性特征 (CCC,TDI,RMSE) 评估性能.
主要成果:
- 在BraTS2021数据集中,EnsembleUNets以0.93的DSC和18的HD实现了最高的性能.
- 放射性特征分析证实了EnsembleUNets的卓越精度 (CCC=0.79,TDI=1.14,RMSE=0.53). 这是一个非常好的结果.
- 在UPENN-GBM数据集上的验证显示,EnsembleUNets保持了高准确度 (DSC=0.85,HD=17.5).
结论:
- EnsembleUNets在MRI中明显优于其他评估的CNN方法用于脑瘤细分.
- 这些发现支持使用EnsembleUNets来准确和高效地对脑瘤进行细分.
- 这项研究有助于做出明智的决策,以改善脑瘤的诊断,治疗和预后.
