在MRI中使用增强的U-Net与初始模块和双输出机制的自动腰椎细分
Jaysel Theresa Silveira1, Girisha S1, Poornima Panduranga Kundapur2
1Department of Data Science and Computer Applications, Manipal Institute of Technology, Manipal Academy of Higher Education, Manipal, Karnataka, 576104, India.
Scientific reports
|November 10, 2025
概括
这项研究引入了一种增强的U-Net模型,用于精确的腰椎脊柱MRI细分. 深度学习方法改善了脊椎,脊椎间盘 (IVD) 和脊柱管道的识别,以便更好地诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 准确细分腰椎结构对于诊断脊柱疾病至关重要.
- 深度学习语义细分已经推进了医疗图像分析.
研究的目的:
- 提出一个增强的U-Net模型,以改善腰椎脊柱MRI细分.
- 为了在分割脊椎,脊椎间盘 (IVD) 和脊柱通道方面获得更高的准确性.
主要方法:
- 开发了一种增强的U-Net,其中包括一个用于多尺度功能的Inception模块和一个双输出机制.
- 在SPIDER腰椎脊柱MRI数据集上训练和评估模型.
- 与U-Net,ResUNet,Attention U-Net和TransUNet进行性能比较,评估了包括mIoU在内的各种指标.
主要成果:
- 拟议的模型实现了卓越的细分精度,超过了基线模型.
- 实现了0.8974的欧盟 (mIoU) 的平均交叉和0.9742.9的准确性.
- 证明了改进的边界划分和有效处理类不平衡,而子损失证明最有效.
结论:
- 增强的U-Net提供了一个精确和高效的解决方案,用于MRI的自动腰椎细分.
- 启动模块和双输出机制增强了特征提取和模型稳定性.
- 这种方法支持改善医学成像诊断工作流程.

