人工智能启用精确的脑瘤细分,通过整合Refinenet和在MRI图像中的轮受限特征
Cheng Lv1, Xu-Jun Shu2, Jun Qiu3
1School of Mathematics and Computer Sciences, Nanchang University, Nanchang, Jiangxi Province, China.
Medical physics
|July 15, 2025
概括
SAM-RCCF框架增强了对脑瘤的医疗图像细分,大大提高了对原来的任何细分模型 (SAM) 的准确性和稳定性. 这一进步有助于分析复杂的内瘤MRI扫描.
科学领域:
- 医疗图像分析 医学图像分析
- 用于医学成像的深度学习
- 在医疗保健中基于变压器的模型.
背景情况:
- 医疗图像细分在各种医学领域至关重要.
- 分段任何模型 (SAM) 显示出有希望的结果,但与医疗图像复杂性 (如可变风格和不清晰的界限) 相斗争.
- 由于这些挑战,SAM对医学成像的直接应用受限于这些挑战.
研究的目的:
- 改进医疗图像细分的任何细分模型 (SAM).
- 引入SAM-RCCF框架,以提高对内瘤的稳定性和通用性.
- 提高质瘤,转移性瘤和脑膜瘤的细分精度.
主要方法:
- 利用了来自脑瘤患者 (结质瘤,转移性,脑膜瘤) 的484个T1CE权重的MRI扫描.
- 开发了SAM-RCCF框架,集成了RefineNet和条件控制,用于精确的特征识别.
- 在绩效评估中使用五重交叉验证.
主要成果:
- 在质瘤细分 (IOU: 0.90,DSC: 0.912) 和脑膜瘤细分 (IOU: 0.9214,DSC: 0.93) 中,SAM-RCCF实现了高性能.
- 该模型在这些任务上显著超过了经典的细分模型.
- 在复杂的脑瘤MRI数据上表现出卓越的细分精度和稳定性.
结论:
- 在细分脑瘤 (瘤,转移性,脑膜瘤) 方面,SAM-RCCF算法明显超过了原来的SAM.
- 验证了框架对复杂和可变的医学图像的有效性.
- 在医学图像分析中提高了细分精度和稳定性.
