在MRI中增强脑中风损伤细分使用2.5D变压器脊柱U-Net模型
Mahsa Karimzadeh1, Hadi Seyedarabi1, Ata Jodeiri2
1Faculty of Electrical and Computer Engineering, University of Tabriz, Tabriz 51666, Iran.
Brain sciences
|August 28, 2025
概括
这项研究引入了一种改进的U-Net深度学习模型, 具有精确的脑中风病变细分的变压器骨干. 这种新方法显著增强了及时临床干预的诊断工具.
科学领域:
- 医学图像分析
- 深度学习
- 神经成像
背景情况:
- 在诊断和治疗计划中,精确的脑中风细分是非常重要的.
- 现有的方法在平衡精度和计算复杂性方面面临挑战.
研究的目的:
- 开发和评估一个新的深度学习模型,用于精确的脑中风病变细分.
- 通过基于变压器的骨干和2.5D方法增强U-Net架构.
主要方法:
- 采用混合视觉变压器 (MiT) 骨干实现了一个U-Net模型.
- 使用2.5D方法处理3DMRI数据片.
- 通过四重交叉验证对2015年ISLES数据集进行了评估.
主要成果:
- 拟议的U-Net与MiT骨干和2.5D方法实现了卓越的性能.
- 达到了0.8153±0.0101的子系数和0.7835±0.0079的IOU.
- 超越了其他最先进的模型,包括基于CNN的UNet,nnU-Net,TransUNet和SwinUNet.
结论:
- 整合变压器脊柱和2.5D技术显著提升了脑中风病变的细分.
- 开发的模型为临床诊断应用提供了更可靠和更有效的工具.
