增强脑瘤细分使用CBAM集成的深度学习和区域量化
Rafiqul Islam1, Sazzad Hossain1
1Department of Computer Science and Engineering, Dhaka University of Engineering & Technology, Gazipur, Bangladesh.
International journal of biomedical imaging
|August 11, 2025
概括
这项研究引入了一种改进的深度学习模型,用于MRI扫描中的脑瘤细分. 增强的U-Net架构与卷积块注意模块 (CBAM) 实现了更高的准确性和效率在划分瘤和测量其范围.
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:
- 从MRI精确的脑瘤细分对于诊断和治疗至关重要,但由于瘤的复杂性和手动细分的局限性而具有挑战性.
- 需要自动化方法来提高效率并减少人类错误在划定脑瘤边界和量化瘤负担.
研究的目的:
- 通过使用一种新的深度学习方法,提高基于MRI的脑瘤细分的准确性和效率.
- 开发一个全面的框架,用于精确的瘤细分和定量瘤面积测量.
主要方法:
- 将卷积块注意模块 (CBAM) 集成到基于VGG19的U-Net架构中.
- 利用深度和点向卷曲来提高特征提取和处理效率.
- 开发一种新的方法来计算基于细分像素的瘤面积,用于定量分析.
主要成果:
- 拟议的深度学习框架在脑瘤细分方面表现出更高的精度.
- 该模型有效地结合了瘤区域测量,为临床解释提供了可量化的数据.
- 定性评估证实了该模型在细分瘤口罩方面的准确性和可靠性.
结论:
- 开发的方法为大脑瘤分析提供了更好的细分精度,效率和临床相关性.
- 这种方法有可能提高早期瘤诊断,治疗计划和患者监测.
- 集成CBAM和高级卷积代表了自动神经成像分析的重大进步.
