LIU-NET:轻量级的Inception U-Net用于从多式3DMRI图像中高效地对脑瘤进行细分
Gul E Sehar Shahid1, Jameel Ahmad2, Chaudary Atif Raza Warraich3
1Department of Artificial Intelligence, University of Management & Technology, Lahore, Pakistan.
PeerJ. Computer science
|June 26, 2025
概括
这项研究介绍了LIU-Net,这是一个计算效率高的深度学习模型,用于精确的脑瘤细分. LIU-Net在基准数据集上实现了高精度,改善了在具有挑战性的地区的检测.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算神经科学是一种神经科学.
背景情况:
- 准确的脑瘤细分对于诊断和治疗计划至关重要.
- 现有的深度学习模型面临着计算复杂性和处理各种瘤特征等挑战.
- 需要先进的策略来提高细分精度,特别是在复杂或微妙的瘤区域.
研究的目的:
- 开发一种新的,计算效率高的深度学习方法,用于准确的脑瘤细分.
- 为了应对计算复杂性的挑战,渐变消失,以及瘤细分的特征变化.
- 为改善医疗图像分析引入轻量级的Inception U-Net (LIU-Net) 模型.
主要方法:
- 开发了LIU-Net,将Inception块集成到U-Net架构中,用于多尺度的特征捕获.
- 采用子损失和焦点损失的组合来有效地管理阶级不平衡问题.
- 使用BraTS 2021数据集进行初始评估和BraTS 2020数据集进行外部验证.
主要成果:
- 在BraTS 2021测试组中,LIU-Net获得了高的子分数:0.8121 (增强瘤),0.8856 (整个瘤) 和0.8444 (瘤核心).
- 对BraTS 2020数据集的交叉验证显示了强大的表现,Dice的得分为0.8646 (ET),0.9027 (WT) 和0.9092 (TC).
- 该模型有效地捕获多尺度特征并保存空间信息,在具有挑战性的细分场景中表现优于现有方法.
结论:
- 拟议的LIU-Net模型证明了大脑瘤细分的显著有效性和计算效率.
- 将Inception块集成到U-Net架构中,提高了捕获对细分精度至关重要的多尺度特征的能力.
- LIU-Net显示出作为医疗图像细分任务的有价值工具的承诺,特别是在瘤学中.
