扩展多尺度残留注意力 (DMRA) U-Net:用于脑瘤细分的三维 (3D) 扩展多尺度残留注意力 U-Net

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 神经瘤学神经瘤学

背景情况:

• 准确识别脑瘤的位置和形状对于诊断和治疗至关重要.
• 分离脑质瘤及其子区域是具有挑战性的,因为复杂的类别,大小和形式.
• 现有的方法在精确的脑瘤细分任务中扎.

研究的目的:

• 设计一种新的深度学习网络,以克服脑瘤细分方面的局限性.
• 提高细分脑质瘤及其内部子区域的准确性.
• 开发一个基于U-Net的3D模型,用于增强脑瘤细分 (BraTS).

主要方法:

• 开发了一个3D扩展多尺度残留注意力U-Net (DMRA-U-Net) 模型.
• 嵌入式扩展卷积残余 (DCR) 模块用于浅特征处理.
• 使用多尺度卷积残余 (MCR) 模块和通道注意力 (CA) 进行全面的特征表达和保留.

主要成果:

• DMRA-U-Net 模型在 BraTS 2018-2021 数据集上实现了高细分性能.
• 获得了0.9012 (WT),0.8867 (TC) 和0.8813 (ET) 的子相似系数 (DSC).
• 与传统的3D U-Net相比,显著改进,增加了DSC和灵敏度,并减少了豪斯多夫距离.

结论:

• 开发的DMRA-U-Net是大脑瘤细分的一个有希望的模型.
• 该模型在细分整个瘤,瘤核心和增强瘤区域方面表现强.
• 该解决方案是开源的,可用于进一步的研究和应用.