ResSAXU-Net用于从脑MRI中进行多式脑瘤细分
1School of Computer Science, Jiangxi University of Chinese Medicine, Nanchang, 330004, Jiangxi Province, China. zheyunxiongnetwok@outlook.com.
Scientific reports
|July 7, 2025
概括
这项研究介绍了Ressaxu-Net,这是一个增强的U-Net模型,用于使用磁共振成像进行准确的脑瘤分类. 该模型显著提高了分类准确性,特别是在较小的瘤中,解决了当前方法的关键局限性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经瘤学神经瘤学
背景情况:
- 质瘤是最常见和最致命的大脑瘤,需要通过磁共振成像 (MRI) 进行准确的分类,以获得有效的治疗.
- 目前的自动化脑瘤分类方法,特别是U-Net模型,在处理过程中面临特征提取和信息丢失的挑战.
- 标准化和准确的分类是至关重要的,因为质瘤的攻击性和各种特征.
研究的目的:
- 为了提高U-Net模型用于脑瘤分类的准确性.
- 解决现有U-Net架构中特征提取和信息丢失方面的局限性.
- 开发一个改进的模型,Ressaxu-Net,通过MRI数据精确地分类质瘤.
主要方法:
- 开发了Ressaxu-Net,这是一个增强的U-Net模型,包含深度残余网络和挤压激发网络.
- 利用深度剩余网络来改善特征信息提取和减轻网络损坏.
- 集成的挤压激发网络来优先考虑重要的特征图和减少信息丢失.
- 实现了融合损失函数,结合子损失和交叉来处理网络融合和数据不平衡.
主要成果:
- 在Brats2018和Brats2019数据集上,Ressaxu-Net表现出很高的表现.
- 获得的子相似系数为0.9597 (总瘤),0.9618 (内瘤) 和0.9595 (瘤升高).
- 在分类不同瘤组件方面显示了8.10%,15.88%和17.33%的显著改善.
结论:
- 与标准的U-Net模型相比,Ressaxu-Net有效地提高了脑瘤分类的准确性.
- 该模型的架构成功地解决了功能提取和信息丢失问题.
- 从MRI数据中准确分类多个脑瘤,Ressaxu-Net显示出具有竞争力的有效性.
