一个新的混合视觉UNet架构用于脑瘤细分和分类
M Renugadevi1, K Narasimhan2, K Ramkumar3
1School of Electrical and Electronics Engineering, SASTRA Deemed University, Thanjavur, 613401, India.
Scientific reports
|July 3, 2025
概括
这项研究引入了新的混合视觉UNet-Encoder Decoder (HVU-ED) 和HVU-Encoder (HVU-E) 模型用于脑瘤细分和分类. 这些模型实现了高精度,在医疗图像分析中表现优于现有的方法.
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:
- 准确的脑瘤细分和分类对于有效的治疗计划至关重要.
- 现有的深度学习模型在捕捉复杂的瘤特征和确保模型可解释性方面面临挑战.
研究的目的:
- 开发和评估新的混合视觉UNet编码解码器 (HVU-ED) 和混合视觉UNet编码器 (HVU-E) 架构.
- 通过混合深度学习模型提高脑瘤细分和分类的准确性和可解释性.
主要方法:
- 混合特征提取器 (ResNet50,VGG16,Dense121,Xception) 与视觉变压器 (ViT) 的集成.
- 在细分 (HVU-ED) 和分类 (HVU-E) 的瓶中,提取的混合特征与UNet特征的融合.
- 使用机器学习算法 (SVM,RF,DT,物流回归,AdaBoost) 和神经网络进行分类,以及可解释性技术 (Grad-CAM,SHAP,LIME).
主要成果:
- 在BraTS2020数据集上,DenseVU-ED模型实现了98.91%的细分精度,不同瘤区域的Dice分数高.
- 在Figshare数据集上,DenseVU-E分类器在神经网络分类方面达到99.18%的准确性,在SVM方面达到92.21%的准确性.
- 可解释性技术证实了模型对相关大脑区域的关注,并提供了决策透明度.
结论:
- 拟议的HVU-ED和HVU-E模型在脑瘤细分和分类方面表现优异,与现有方法相比.
- 混合方法有效地结合了卷积神经网络和转换器的优势,用于医学图像分析.
- 这些模型提供了更高的准确性和可解释性,为改进的临床决策支持系统铺平了道路.
