自动化脑瘤MRI细分使用ARU-Net与残余注意模块
Erdal Özbay1, Feyza Altunbey Özbay2
1Department of Computer Engineering, Firat University, 23119 Elazig, Türkiye.
Diagnostics (Basel, Switzerland)
|September 27, 2025
概括
这项研究介绍了注意力res-UNet (ARU-Net),这是一个新的深度学习模型,用于在MRI扫描中准确地对脑瘤进行细分. ARU-Net显著提高了细分精度和概括性,为临床应用提供了可靠的工具.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算生物学 计算生物学
背景情况:
- 在MRI中精确的脑瘤细分对于诊断和治疗计划至关重要.
- 现有的方法与瘤区域的异质性和复杂性作斗争.
研究的目的:
- 开发一种强大的,自动化的深度学习方法,用于精确的脑瘤细分.
- 为了提高细分精度和概括能力.
主要方法:
- 拟议的注意力Res-UNet (ARU-Net) 架构集成剩余连接,自适应通道注意力 (ACA) 和维空间三重注意力 (DTA).
- 预先处理的MRI图像使用CLAHE,无色化和线性Kuwahara过.
- 在BTMRII数据集上训练ARU-Net,并与基线U-Net,DenseNet121和Xception模型进行比较.
主要成果:
- ARU-Net实现了98.3%的准确性,98.1%的DSC,96.3%的IOU,以及更高的F1分数.
- 与基线U-Net相比,显著改善,特别是在细分异质瘤结构方面.
- 视觉化证实了所有瘤类别的更光滑的边界和更精确的瘤轮.
结论:
- ARU-Net为自动化脑瘤细分提供了高度可靠和精确的解决方案.
- 该模型的卓越性能突显了其临床应用的潜力.
- 为医疗图像分析和医疗保健中的深度学习提供了新的见解.
