FFLUNet:功能融合轻量级UNet用于大脑瘤细分.
Surajit Kundu1, Sandip Dutta2, Jayanta Mukhopadhyay3
1School of Medical Science and Technology, Indian Institute of Technology, Kharagpur, 721302, WB, India.
Computers in biology and medicine
|June 15, 2025
概括
一个新的轻量级深卷积神经网络 (CNN) 模型提供了高效和准确的脑瘤细分从MRI扫描. 这种新的方法显著降低了参数,并加快了实时应用程序的GPU推断时间.
科学领域:
- 医疗成像医学成像
- 神经瘤学神经瘤学
- 人工智能的人工智能
背景情况:
- 大脑瘤,特别是多形质母细胞瘤,在神经瘤学中构成重大挑战.
- 在MRI扫描中精确细分脑瘤对于诊断,治疗计划和患者监测至关重要.
研究的目的:
- 介绍一种新的,轻量级的深卷积神经网络 (CNN) 模型,用于从MRI扫描中高效,准确的脑瘤细分.
- 开发一个精简的架构,尽量减少计算复杂性,同时最大限度地提高细分性能.
主要方法:
- 拟议的模型利用优化的卷积层,以最小的参数捕捉本地和全球特征.
- 关键的创新包括层层的自适应权重用于特征融合,转移窗口用于改进的概括,以及跳过连接的动态权重用于平衡的特征表示.
主要成果:
- 轻量级的CNN模型具有145万个参数,与nnUNet (95%更少) 和标准UNet (91%更少) 等现有方法相比,相当大的减少.
- 与nnUNet (4.416 ± 0.004 秒) 相比,实现了4.9倍更快的GPU推断时间 (0.904 ± 0.002 秒),使实时部署成为可能.
- 在公开可用的MRI数据集上展示了具有竞争力的细分精度.
结论:
- 开发的轻量级CNN模型为MRI的脑瘤细分提供了高效和准确的解决方案.
- 其减少的计算足迹和更快的推断时间使其适合实时应用和在资源有限的设备上部署.
