大脑多模态图像通过深度学习绘制基于边缘区域的生成对抗网络.
R Sheeja1, Vijaya Bhaskar Sadu2, R Shobana3
1Department of Artificial Intelligence and Data Science, RMK Engineering College, Kavaraipettai, India.
概括
这项研究引入了一种新的深度监督生成对抗网络 (DS-GAN),用于绘制大脑MRI图像,改进脑瘤 (BT) 的分析. DS-GAN模型的整体准确率达到99.18%,超过了现有方法.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经科学是一个神经科学.
背景情况:
- 大脑瘤 (BT) 是一种影响中枢神经系统功能的关键神经疾病.
- 由于影响图像处理的组织异常,分析患病的大脑图像具有挑战性.
- 现有的方法在脑MRI中难以准确地进行组织细分和非刚性注册.
研究的目的:
- 提出一个深度监督生成对抗网络 (DS-GAN) 模型,以有效地绘制大脑MRI图像.
- 为了提高脑瘤图像分析的准确性和可靠性.
- 克服当前处理异常大脑组织的技术的局限性.
主要方法:
- 使用门式形状卷积神经网络 (GS-CNN) 的图像细分.
- 开发一个边缘重建生成对抗网络 (EGAN),用于生成缺失的图像边缘.
- 实施DS-GAN模型用于脑MRI inpainting.
主要成果:
- DS-GAN模型实现了高性能指标:Jaccard指数 (JI) 为0.82和Dice指数 (DI) 为0.86.
- 对于DS-GAN的定量结果:L1损失2.18,PSNR 0.972,SSIM 32.04和MSE 26.42. 这些都是L1损失.
- 拟议的DS-GAN模型的整体精度为99.18%,超过了现有技术.
结论:
- DS-GAN模型在脑MRI绘制中提供了显著的进步.
- 精确的脑磁共振成像绘制对于改善脑瘤诊断和分析至关重要.
- 拟议的方法有效地解决了在图像处理中由异常大脑组织所带来的挑战.
