CDCG-UNet:混沌优化辅助脑瘤细分基于扩展的通道门注意力U-Net模型
K Bhagyalaxmi1, B Dwarakanath2
1Department of Computer Science and Engineering, Faculty of Engineering and Technology, SRM Institute of Science and Technology, Ramapuram, Chennai, 600089, India. bk8019@srmist.edu.in.
Neuroinformatics
|January 22, 2025
概括
一种新的混乱扩展通道门注意力U-Net (CDCG-UNet) 模型改善了MRI扫描中的脑瘤细分精度. 这种先进的技术通过高精度有效识别瘤区域来提高早期诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 大脑瘤是儿童和成人癌症相关死亡的重要原因.
- 晚期诊断和检测设备的高成本是大脑瘤识别的主要挑战.
- 现有的机器学习 (ML) 方法经常受到低准确度,高损失和大量计算成本的影响.
研究的目的:
- 提出一种新的U-Net模型,用于在磁共振图像 (MRI) 中准确地对脑瘤进行细分.
- 通过提高准确性和减少计算复杂性来解决现有方法的局限性.
- 有效地细分脑瘤子区域,包括整个瘤 (WT),瘤核心 (TC) 和增强瘤 (ET).
主要方法:
- 使用概率混合维纳波器 (PHWF) 进行MRI扫描的预处理,以减少噪音和提高图像质量.
- 采用3D卷积视觉转换器 (3D-VT) 进行高效的特征提取,减少模型的复杂性.
- 实施了一个混乱扩展通道门注意力U-Net (CDCG-UNet) 模型,通过混乱哈里斯收缩螺旋优化算法 (CHSOA) 进行优化,用于瘤细分.
主要成果:
- 在多个数据集中,CDCG-UNet模型实现了高子得分:BRATS 2021 (0.972为ET,0.987为CT,0.98为WT),BRATS 2020 (98.87%为ET,98.67%为CT,99.1%为WT) 和BRATS 2023 (98.42%为ET,98.08%为CT,99.3%为WT).
- 与现有方法相比,在细分各种脑瘤组件方面表现出卓越的性能.
- 预处理和特征提取步骤有效提高了细分精度.
结论:
- 拟议的CDCG-UNet模型为MRI中脑瘤细分提供了一个高度准确和高效的解决方案.
- 这种方法有可能改善脑瘤患者的早期诊断和治疗计划.
- 集成先进的过,特征提取和优化的深度学习架构在医疗图像分析中显示出重大前景.
