一个统一的管道,用于同时进行脑瘤分类和细分,使用微调的CNN和剩余的UNet架构
1Department of Diagnostic Radiology Technology, College of Applied Medical Science, Taibah University, Medinah 42353, Saudi Arabia.
Life (Basel, Switzerland)
|September 28, 2024
概括
这项研究引入了一种使用微调卷积神经网络 (FT-CNN) 和残余UNet (RUNet) 的自动化管道,用于MRI扫描中的脑瘤分类和细分,实现高诊断精度.
科学领域:
- 医学图像分析 医学图像分析
- 在瘤学中使用人工智能
- 神经成像是一种神经成像.
背景情况:
- 准确的脑瘤分类和细分对于有效的诊断和治疗计划至关重要.
- 手动分析MRI扫描是耗时的,容易引起观察者之间的变化.
- 需要自动化方法来提高神经瘤诊断的效率和一致性.
研究的目的:
- 开发和评估使用MRI扫描进行自动化脑瘤分类和细分的综合管道.
- 整合一个微调卷积神经网络 (FT-CNN) 用于瘤分类和一个残余-UNet (RUNet) 用于细分.
- 评估管道在多个数据集中的准确性和通用性.
主要方法:
- 预处理MRI数据集 (规范化,大小调整).
- 使用基于VGG19的FT-CNN将瘤分类为质瘤,脑膜瘤和脑垂体类型.
- 使用RUNet架构进行像素级瘤细分.
- 验证原始和两个额外的多样化数据集.
主要成果:
- 综合管道在初始数据集上实现了96%的瘤分类准确度和98%的细分准确度.
- 在额外的数据集上表现出强大的性能,在四类任务中达到95%的准确性,在二进制分类/细分中达到96%的准确性.
- 在额外的数据集上实现了95%的子系数进行细分.
结论:
- 拟议的FT-CNN和RUNet管道为MRI扫描中大脑瘤分析提供了高度准确和自动化的解决方案.
- 该系统在改善诊断准确性和治疗规划方面显示出临床应用的巨大潜力.
- 该管道在各种数据集中的通用性突出显示了它对现实世界神经瘤学场景的稳定性.
