使用U-net和预训练的骨干U-net架构进行增强的质瘤语义细分
1Medical Image and Signal Processing Research Center, School of Advanced Technologies in Medicine, Isfahan University of Medical Sciences, Isfahan, Iran. a.khorasani@resident.mui.ac.ir.
Scientific reports
|August 29, 2025
概括
使用MRI扫描,ResNet-U-Net模型有效地细分质瘤子区域. 使用T1-Gd进行训练后,ResNet-U-Net在死细胞和活跃瘤区域实现了高精度,而T2-FLAIR在瘤细分方面是最佳的.
科学领域:
- 医学成像
- 人工智能
- 神经瘤学
背景情况:
- 质瘤表现出明显的亚区域 (胀,死亡,活跃的瘤) 对于治疗计划至关重要.
- 这些区域的准确细分对于有效的质瘤治疗至关重要.
研究的目的:
- 评估U-Net和预训练的U-Net骨干网络,以使用多模式MRI数据进行质瘤语义细分.
- 评估ResNet,Inception和VGG作为U-Net架构中的支柱的性能.
主要方法:
- 利用BRATS 2021挑战数据集进行培训,验证和测试.
- 使用 ImageNet 预先训练的骨干 (ResNet,Inception,VGG) 的应用 U-Net 架构.
- 使用精度 (ACC) 和交叉点在联盟 (IoU) 评估网络性能.
主要成果:
- 经过T1后对比增强 (T1Gd) 训练的ResNet-U-Net显示了瘤和活跃瘤区域的最高ACC和IOU.
- 使用T2流体减弱倒置恢复 (T2-FLAIR) 训练的ResNet-U-Net被证明适用于瘤细分.
- 拟议的框架有效地提取语义信息以增强质瘤细分.
结论:
- ResNet-U-Net对自动化质瘤区域提取具有显著的前景,有助于医生在临床决策中做出决定.
- 这项研究证实了针对质瘤细分的深度学习框架的实用性和科学依据.

