一个用于脑MRI细分的轻量级网络
Pubali Chatterjee1, Amlan Chakrabarti2, Kaushik Das Sharma3
1Department of Computer Science and Engineering, ITER, Siksha 'O' Anusandhan (Deemed to be University), Bhubaneswar, 751030, India. pubalichatterjee@soa.ac.in.
Scientific reports
|October 21, 2025
概括
这项研究引入了一个新的深度学习框架,用于准确的脑MRI细分. 这种轻量级模型以卓越的性能和效率增强了疾病的识别和监测.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经科学是一个神经科学.
背景情况:
- 精确的脑磁共振成像 (MRI) 分段对于诊断和跟踪神经疾病至关重要.
- 现有的深度学习模型往往难以平衡高精度与临床应用的计算效率.
研究的目的:
- 开发一种新的,轻量级的深度学习框架,用于精确的脑MRI细分.
- 提高临床神经影像自动化细分的效率和准确性.
主要方法:
- 利用EfficientNet B0作为一个编码器,以减少复杂性来进行多规模的特征提取.
- 整合了视觉状态空间块和多尺度注意力机制,以增强全球上下文和功能改进.
- 采用了以U-Net为灵感的解码器,具有跳过连接和混合损失功能 (主动轮损失和焦点损失) 进行强大的训练.
主要成果:
- 通过计算效率高,轻量级的架构实现了高细分精度.
- 与现有的最先进的方法相比,证明了优越的细分性能.
- 成功分割复杂的解剖结构和病变与精确的边界划分.
结论:
- 拟议的深度学习框架为准确和高效的脑MRI细分提供了一个有希望的解决方案.
- 这种方法有助于在临床神经成像中改善疾病的识别和监测.
- 轻量级的设计使得该模型适合在医疗环境中实际部署.
