基于U-Net的架构,具有注意力机制和贝叶斯优化,用于使用MR图像进行脑瘤细分
K Ramalakshmi1, L Krishna Kumari2
1Electronics and Communication Engineering, P.S.R.Engineering College, Sivakasi, 626140, Tamilnadu, India.
Computers in biology and medicine
|July 1, 2025
概括
人工智能 (AI) 帮助放射科医生使用MRI扫描诊断脑瘤 (BT). 一个具有注意力机制和贝叶斯优化的新型U-Net模型显著提高了BT细分的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机科学 计算机科学
背景情况:
- 先进的计算机技术使人工智能 (AI) 能够诊断大脑瘤 (BT).
- 早期发现疾病对于有效治疗至关重要,人工智能可以节省大量的时间和成本.
- 传统的方法难以应对磁共振成像 (MR) 的复杂性,用于BT检测.
研究的目的:
- 开发一种先进的深度学习模型,用于在MRI图像中精确地对脑瘤进行细分.
- 通过将注意力机制和超参数优化 (HPO) 与U-Net架构集成来增强细分性能.
- 通过使用各种MRI脑瘤数据集验证模型的有效性,并将其与最先进的方法进行比较.
主要方法:
- 开发了一个基于U-Net的深度学习架构,结合了注意力机制以改善功能重点.
- 贝叶斯优化算法用于超参数优化 (HPO) 来微调模型变量.
- 区域适应值被用于确定瘤区域,细分结果与地面真相注释进行验证.
主要成果:
- 拟议的基于U-Net的模型在MRI-BT细分方面获得了0.89687的高DICE分数.
- 使用包括IoU,准确性和DICE分数在LGG,医疗保健和BraTS 2021数据集中的指标来评估绩效.
- 该模型在脑瘤细分方面,与现有的最先进的方法相比,表现优越.
结论:
- 开发的U-Net模型与注意力机制和贝叶斯优化提供了一个强大的解决方案,用于MRI中的脑瘤细分.
- 这种人工智能驱动的方法解决了传统方法的局限性,提高了诊断准确性和效率.
- 这些发现突显了深度学习在改善神经瘤学医学图像分析方面的潜力.
