在使用DeepLabV3Plus SE的FLAIR图像中有效地细分活跃和不活跃的斑块,并使用在多发性硬化症中使用efficientnetb0骨干
Mahsa Naeeni Davarani1, Ali Arian Darestani1, Virginia Guillen Cañas2
1University of the Basque Country (UPV/EHU), Bilbao, Spain.
Scientific reports
|July 15, 2024
概括
本研究介绍了一种高效的深度学习模型,DeepLabV3Plus SE与EfficientNetB0,用于在多发性硬化症 (MS) FLAIR图像中对活跃和非活跃斑块进行细分,从而在医学图像分析中实现卓越的性能.
科学领域:
- 医学图像分析 医学图像分析
- 医疗保健中的人工智能
- 神经学 神经学
背景情况:
- 多发性硬化症 (MS) 具有活跃和不活跃的大脑斑块的特征.
- 在FLAIRMRI中精确细分这些斑块对于诊断和监测至关重要.
- 现有的细分方法可能缺乏效率和精度.
研究的目的:
- 引入一种高效的卷积神经网络 (CNN) 模型,用于在FLAIR图像中对活性和非活性斑块进行细分.
- 评估拟议的DeepLabV3Plus SE与EfficientNetB0骨干模型的性能与其他CNN架构相比.
- 通过先进的预处理和网络组件来增强斑块细分能力.
主要方法:
- 数据集预处理:骨去除,图像大小调整,正常化.
- 使用了DeepLabV3Plus SE与EfficientNetB0骨干,结合了Squeeze和Excitation (SE-Block) 和其他空间金字塔聚合.
- 在100名多发性硬化患者的1500个标记的MRI片上训练模型,使用Dice系数损失和Adam优化.
主要成果:
- 提出的DeepLabV3+SE_EfficientNetB0模型实现了高性能指标.
- 关键结果包括: 交叉在联盟 (IOU) 的69.87%, 子得分的76.24%, 精度的88.89%, 召回的73.52%, 和F1-Score的80.47%.
- 与其他评估的CNN架构相比,展示了优越的细分精度.
结论:
- 开发的DeepLabV3Plus SE与EfficientNetB0一起提供了一种高效和准确的方法,用于在FLAIR图像中对MS斑块进行细分.
- 这种方法显示了改善医学图像分析和多发性硬化症诊断准确性的巨大潜力.
- 该研究强调了先进的CNN架构和预处理技术在神经成像应用中的有效性.
