使用基于注意力的卷积UNet在MRI图像上增强脑瘤细分
Mohammad Abrar1, Abdu Salam2, Faizan Ullah3
1Faculty of Computer Studies, Arab Open University, 122, Muscat, P.O. Box 1596, Oman. abrar.m@aou.edu.om.
Scientific reports
|October 21, 2025
概括
基于注意力的卷积U-Net (ACU-Net) 提高了MRI扫描上脑瘤细分的准确性. 这种人工智能模型提高了临床应用的精度和可靠性,优于传统方法.
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:
- 准确的脑瘤细分对于诊断和治疗计划至关重要.
- 目前的自动化方法难以处理复杂的瘤形状,而手动细分是耗时和主观的.
- 现有的深度学习模型,如U-Nets和CNN,在捕捉复杂的瘤边界方面存在局限性.
研究的目的:
- 提出和评估基于注意力的卷积U-Net (ACU-Net) 模型,以增强MRI数据上的脑瘤细分.
- 用U-Net架构中的注意力机制来提高瘤边缘划分的精度和可靠性.
- 以使用标准细分指标的基线模型对ACU-Net的性能进行定量评估.
主要方法:
- 利用BraTS 2018 MRI数据集进行脑瘤细分.
- 通过规范化,空间分辨率调整和增强预处理数据.
- 开发了ACU-Net模型,结合了注意力门,使用子和交叉损失函数进行训练.
- 将ACU-Net与U-Nets和卷积神经网络 (CNN) 的性能进行比较,使用精度,回忆,子相似系数 (DSC) 和交叉在联盟 (IoU) 上.
主要成果:
- ACU-Net实现了高的子相似系数:整个瘤 (WT) 的94.04%,瘤核心 (TC) 的98.63%,增强瘤 (ET) 的98.77%.
- 拟议的ACU-Net模型与基线U-Net和CNN模型相比,表现优越.
- 注意力机制显著提高了大脑瘤医学图像细分的准确性和稳定性.
结论:
- 在临床环境中,ACU-Net模型为精确的脑瘤细分提供了可靠和有效的工具.
- 注意力机制对于提高医疗图像分析中的深度学习模型性能至关重要.
- 该研究强调了ACU-Net克服现有细分方法的局限性的潜力,改善了诊断和治疗规划.
