使用多尺度注意力U-Net与EfficientNetB4编码器进行大脑瘤细分,以增强MRI分析
Preetha R1, Jasmine Pemeena Priyadarsini M2, Nisha J S1
1School of Electronics Engineering, Vellore Institute of Technology, Vellore, 632014, Tamilnadu, India.
Scientific reports
|March 23, 2025
概括
这项研究介绍了一种先进的脑瘤细分方法,使用多尺度注意力U-Net和EfficientNetB4. 新的框架实现了高精度和效率,改善了临床诊断和治疗规划.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 准确的脑瘤细分对于有效的临床诊断和治疗计划至关重要.
- 现有的卷积神经网络 (CNN) 分段方法在捕获复杂的瘤边界和抑制无关区域方面面临局限性.
研究的目的:
- 开发和评估一个先进的细分框架,将多尺度注意力U-Net与EfficientNetB4编码器相结合,用于增强脑瘤细分.
- 为了提高功能提取,本地化和整体细分性能,同时保持计算效率.
主要方法:
- 拟议的框架整合了EfficientNetB4以优化多分辨率特征提取,以及一个多尺度注意力机制,具有特定的内核来增强特征表示.
- 用注意力增强的跳过连接和残留注意力阻塞来抑制不相关的区域并改善瘤局部化.
- 在Figshare脑瘤数据集上进行了实验,比较了各种EfficientNet变体,并对最先进的方法进行了评估.
主要成果:
- 效率NetB4变种实现了卓越的性能,达到准确率为99.79%,平均校正率 (MCR) 为0.21%,子系数为0.9339,和交叉在联盟 (IoU) 的0.8795.
- 该模型在训练期间显示出稳定的趋同和概括,通过包括子系数,精度,回忆,特异性和IOU在内的指标进行分析.
- 拟议的方法在所有关键细分指标上优于现有的最先进的方法.
结论:
- 开发的框架为大脑瘤细分提供了强大而高效的解决方案.
- 多尺度注意力U-Net与EfficientNetB4的集成显著提高了细分精度和计算效率.
- 这种先进的方法有可能成为临床应用和神经瘤学研究的宝贵工具.
