用UNet卷积神经网络方法检测和细分质瘤瘤,使用非亚样本的Shearlet转换
M Tamilarasi1, S Kumarganesh2, K Martin Sagayam3
1Department of Electronics and Communication Engineering, Sasurie College of Engineering, Tirupur, India.
概括
这项研究引入了一种新的UNet卷积神经网络 (CNN) 方法,用于准确检测质瘤脑瘤. 该方法通过使用shearlet变换来增强瘤细分,在公共数据集上实现高分类率.
科学领域:
- 医学成像分析 医学成像分析
- 在瘤学中使用人工智能
- 神经瘤学神经瘤学
背景情况:
- 在脑图像中准确识别质瘤瘤区域对于有效的治疗和患者的治疗结果至关重要.
- 现有的方法在精确的瘤划分方面可能面临挑战,这会影响临床决策.
- 像UNet-CNN这样的深度学习架构在医疗图像细分任务中表现有前途.
研究的目的:
- 开发和验证一个强大的方法,用于快速和精确的质瘤脑瘤检测和细分.
- 通过与UNet-CNN架构集成非亚样本的Shearlet转换来增强瘤识别.
- 在公开可用的,具有挑战性的质瘤数据集上评估拟议系统的性能.
主要方法:
- 提出了一种结合转换模块,特征提取模块和瘤细分模块的新方法.
- 大脑MRI图像被分解成低频和高频子带,使用非子样本的Shearlet变换.
- 使用UNet-CNN架构来识别瘤区域的Shearlet特征被提取和分类.
主要成果:
- 拟议的系统实现了高平均分类率:在BRATS 2019上达到99.1%,在TCGA数据集上达到97.8%.
- 观察到优秀的性能指标,包括灵敏度 (高达98.2%),特异性 (高达98.7%) 和准确性 (高达98.9%).
- 该系统在两个数据集上都展示了优越交叉与联合 (IoU) 和磁盘相似系数 (DSC) 的交叉.
结论:
- 与UNet-CNN集成非亚样本的Shearlet转换显著提高了质瘤脑瘤检测的准确性.
- 拟议的方法为临床实践中精确的瘤细分提供了一种高度有效和高效的方法.
- 对比分析证实了这种方法比现有的最先进的质瘤检测方法优越.
