双视变压器-DSUNET具有功能融合,用于大脑瘤细分的功能融合
Mohammed Zakariah1, Muna Al-Razgan2, Taha Alfakih3
1Department of Computer Science and Engineering, College of Applied Studies and Community Service, King Saud University, P.O. Box 22459, Riyadh, 11495, Saudi Arabia.
Heliyon
|September 26, 2024
概括
这项研究引入了一种新的双视力变压器-DSUNET模型,用于使用多模态MRI扫描进行精确的脑瘤细分. 该模型实现了高精度,改善了对脑瘤的早期诊断和治疗策略.
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:
- 大脑瘤是癌症死亡的主要原因,需要早期诊断和有效治疗.
- 磁共振成像 (MRI) 对于脑瘤诊断至关重要,但自动细分的准确性仍然是一个挑战.
- 自动化脑瘤细分对于诊断和治疗规划至关重要.
研究的目的:
- 开发一种自动化模型,使用多模态MRI数据精确对脑瘤进行细分.
- 提高分辨脑瘤与健康脑组织的准确性和效率.
- 为了利用功能融合技术来提高细分性能.
主要方法:
- 该研究提出了双视变压器-DSUNET模型,结合了双视和特征融合.
- 来自BRATS 2020数据集的多模态MRI数据 (T1,T2,T1Gd,FLAIR) 被使用.
- 该模型捕捉了不同成像模式的异质瘤特性.
主要成果:
- 双视变压器-DSUNET模型实现了高分段精度.
- 子系数得分为91.47% (增强),92.38% (核心) 和90.88% (),累计得分为91.29%.
- 该模型的整体精度为99.93%,表明性能强.
结论:
- 拟议的双视力变压器-DSUNET架构显示出对精确的脑瘤细分具有重大承诺.
- 该模型的高性能可以提高早期发现和管理大脑疾病.
- 这种方法为提高神经瘤学诊断准确度提供了可靠的工具.
