深度神经网络的应用与碎形结构和注意力块用于2D和3D脑瘤细分的应用
Kaiming Cheng1, Yueyang Shen1, Ivo D Dinov1
1Statistics Online Computational Resource, University of Michigan, 426 North Ingalls Str, Ann Arbor, Michigan 48109-2003.
Journal of statistical theory and practice
|December 30, 2024
概括
一个新的以注意力为基础的碎形网络 (AFUnet) 在2D和3D神经成像中有效地细分大脑瘤. 这种深度神经网络提高了准确性,并识别正常组织,通过高效的数据增强优于现有模型.
科学领域:
- 医学成像分析分析 医学成像分析
- 深度学习用于神经成像.
- 计算神经科学是一种计算神经科学.
背景情况:
- 准确的脑瘤细分对于诊断和治疗计划至关重要.
- 有限的3D神经成像数据集对训练深度学习模型构成了挑战.
- 现有的深度神经网络 (DNN) 架构可能无法完全捕捉复杂的瘤结构.
研究的目的:
- 提出和评估一个新的基于注意力的断片网络 (AFUnet) 用于大脑瘤细分.
- 通过2D和3D神经成像数据,对AFUnet的性能进行评估,并与已建立的模型进行比较.
- 调查网络深度对细分精度和计算成本的影响.
主要方法:
- 开发了一种新的DNN架构,结合了碎形卷积网络,注意力块和Unet的编码器解码器结构.
- 利用数据增强与亲属转换来扩展有限的3D体积数据集.
- 在正常和病态神经成像数据上训练并验证了AFUnet模型,与Unet,注意力Unet和其他DNN使用Dice分数进行比较.
主要成果:
- 在细分2D和3D脑瘤面具方面,AFUnet实现了高精度,超过了几种最先进的模型.
- 该模型显示了改进的验证损失和较低的二进制交叉损失,表明正常组织的优异识别.
- 网络深度对准确性有积极的影响,但显著增加了计算成本;适度的深度提供了良好的平衡.
结论:
- 拟议的AFUnet是用于神经成像中准确和高效的脑瘤细分的有希望的技术.
- 由于AFUnet能够保守地识别正常组织,因此它成为临床应用的可靠工具.
- 该方法显示了对更高维度数据和各种细分任务的概括潜力.
