使用BraTS-GOAT 2024数据集进行脑瘤细分和分类的高级CNN架构
Vaidehi Satushe1, Vibha Vyas1, Shilpa Metkar1
1Department of Electronics & Telecommunication Engineering, COEP Technological University (COEP Tech), Pune, Maharashtra, India.
Current medical imaging
|January 6, 2025
概括
这项研究开发了一个强大的卷积神经网络 (CNN) 模型用于脑瘤细分,显著提高了跨不同数据集的概括性. 这种先进的模型提高了临床环境中的一致性和实用性,以获得更好的患者结果.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算生物学 计算生物学
背景情况:
- 脑瘤细分模型面临的挑战是,瘤特征和成像方式在临床环境中的变化.
- 跨瘤的BraTS通用化 (BraTS-GoAT) 倡议强调了需要强大的和可通用的细分模型的需求.
- 目前的自动化细分技术需要改进,以便在不同的临床环境中保持一致的性能.
研究的目的:
- 开发一个先进的基于卷积神经网络 (CNN) 的模型用于脑瘤细分.
- 提高CNN模型在不同临床环境中的一致性和实用性.
- 通过对大规模数据集和强大的预处理进行应用,提高CNN模型的通用性.
主要方法:
- 将先进的CNN模型应用于BraTS 2024挑战数据集.
- 实施预处理技术,包括标准化,特征提取和细分.
- 评估模型性能,使用准确性,平均交叉点与联盟 (IOU),子系数和豪斯多夫95分等指标.
主要成果:
- 获得了98.47%的准确性,0.8185的平均 IOU 和0.7的平均 Dice 系数.
- 获得了1.66的豪斯多夫95分,精度为98.55%,灵敏度为98.40%,特异性为99.52%.
- 在脑瘤细分方面,与目前的黄金标准相比,显著改善.
结论:
- 建立了用于大脑瘤细分的医学成像概括性的基准.
- 促进在各种临床环境中采用基于CNN的细分模型.
- 提高自动化细分的可靠性和有效性,可能改善患者的治疗结果.
