动态关注瘤边界:MRI脑瘤细分的轻量级U-Net
Kuldashboy Avazov1, Sanjar Mirzakhalilov2, Sabina Umirzakova1
1Department of Computer Engineering, Gachon University Sujeong-Gu, Seongnam-si 13120, Gyeonggi-Do, Republic of Korea.
Bioengineering (Basel, Switzerland)
|January 8, 2025
概括
这项研究引入了一种具有空间注意力的新型U-Net模型,用于MRI扫描中的精确脑瘤细分. 改进的模型实现了卓越的准确性,优于现有的方法,用于改进临床诊断.
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:
- 在MRI中精确的脑瘤细分对于诊断和治疗计划至关重要.
- 像U-Net这样的传统模型面临着复杂的瘤边界和低对比度的挑战.
- 局限性影响临床结果的准确性,因为关键区域的识别不一致.
研究的目的:
- 提出一个新的U-Net架构修改,整合一个空间注意力机制.
- 增强模型界定细瘤边界的能力,提高细分精度.
- 开发一个强大的工具,用于自动化脑瘤细分,适合实时临床应用.
主要方法:
- 修改了U-Net架构,采用了一个集成的空间注意力机制.
- 在Figshare数据集上进行评估,该数据集包含脑膜瘤,质瘤和垂体瘤的注释MRI图像.
- 与V-Net,DeepLab V3+和nnU-Net等既有模型进行性能比较.
主要成果:
- 达到了0.93的子相似系数 (DSC),0.95的回忆和0.94.94的AUC.
- 在细分精度方面表现优于V-Net,DeepLab V3+和nnU-Net.
- 在处理低对比度边界,小瘤区域和重叠瘤方面表现出有效性.
结论:
- 拟议的空间注意力机制显著增强了U-Net用于脑瘤细分的功能.
- 该模型为临床应用提供了更高的精度和稳定性.
- 这种方法显示了在医学成像中推进自动诊断工具的潜力.
