基于融合的MR图像状腺瘤检测

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:

• 区分良性和恶性腺瘤对于有效的治疗规划和诊断至关重要.
• 目前用于瘤分化的方法可能具有挑战性,耗时,劳动密集.

研究的目的:

• 开发和评估一种自动化系统,使用磁共振 (MR) 图像融合和深度学习来区分良性和恶性腺瘤.
• 为了比较不同深度学习架构和MR图像融合组合的性能.

主要方法:

• 利用了114名患有腺瘤的患者的MRI图像.
• 应用了基于二维离散波纹转换 (DWT) 的图像融合技术,将明显扩散系数 (ADC),T1加权对比增强 (T1C-w) 和T2加权序列结合起来.
• 在四个融合图像数据集 (IF (ADC,T1C-w),IF (ADC,T2-w),IF (T1C-w,T2-w) 和IF (ADC,T1C-w,T2-w)) 上训练并测试了ResNet18,GoogLeNet和DenseNet-201架构.
• 开发了一个图形用户界面 (GUI) 应用程序用于图像融合和分类.

主要成果:

• 丹塞Net-201模型实现了高准确度:IF (ADC,T1C-w) 的95.45%,IF (ADC,T2-w) 的95.96%和IF (ADC,T1C-w,T2-w) 的92.93%.
• 对于IF (T1C-w,T2-w),ResNet18实现了94.95%的准确性.
• 开发的图形界面应用程序有助于图像融合和预测瘤恶性.

结论:

• 图像融合与深度学习模型相结合,为精确和高效的瘤分化提供了有前途的方法.
• 在多个合并的MR图像数据集中,DenseNet-201表现出卓越的性能.
• 图形界面应用程序提供了一个用户友好的工具,以帮助临床医生在诊断和治疗规划.