使用DN-MRCNN与增强成像技术进行高效的大脑瘤检测和细分
Jeenath Shafana N1, Senthilselvi Ayothi1
1Department of Computer Science and Engineering, SRM Institute of Science and Technology, Ramapuram, Chennai, India.
Microscopy research and technique
|March 4, 2025
概括
这项研究介绍了DenseNet 121-Mask R-CNN (DN-MRCNN) 对于高效的脑瘤检测和细分. 该方法准确地识别瘤子区域,减少处理时间,以改善临床应用.
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:
- 准确的脑瘤细分对于诊断和治疗计划至关重要.
- 现有的方法经常面临细分精度和计算效率的挑战.
- 自动细分可以帮助放射科医生识别瘤亚区域,如整个瘤 (WT),瘤核心 (TC) 和增强瘤 (ET).
研究的目的:
- 为大脑瘤检测和细分提出一种高效准确的方法.
- 为了减少脑瘤分析的执行时间.
- 为了准确地细分脑瘤及其子区域.
主要方法:
- 开发了一个新的DenseNet 121-Mask R-CNN (DN-MRCNN) 模型.
- 预处理包括中位数过,高斯过和直方图等分.
- 图像增强和一个封闭的轴向自我注意层被纳入了DenseNet 121.
- 面具R-CNN与区域提案网络和定制用于细分.
- 在后处理过程中应用了非最大的抑制.
主要成果:
- DN-MRCNN模型证明了脑瘤的有效检测和细分.
- 该方法实现了对整个瘤 (WT),瘤核心 (TC) 和增强瘤 (ET) 的准确细分.
- 该模型在多个基准数据集上得到验证:BraTS 2019,UCSF-PDGM和UPENN-GBM.
结论:
- 拟议的DN-MRCNN方法为自动化脑瘤细分提供了一个有希望的方法.
- 集成先进的深度学习技术可以提高准确性和效率.
- 这种方法有可能改善神经瘤学的临床工作流程.
