一个新的分差的豪斯多夫损失与 BCE 结合,用于使用 UNet 变体进行 MRI 脑瘤细分
Gurugubelli Visalakshi1, Laavanya Mohan2
1Vignan's Foundation for Science, Technology and Research, Guntur, Andhra Pradesh, India. visalisowji@gmail.com.
Scientific reports
|December 22, 2025
概括
这项研究引入了一种新的亚差异化豪斯多夫损失 (SDHL) 来改善MRI扫描中的脑瘤细分. 新的SDHL与 BCE损失相结合,提高了边界精度和细分精度,优于现有方法.
科学领域:
- 医学图像分析 医学图像分析
- 医疗保健中的人工智能
- 计算神经科学是一种神经科学.
背景情况:
- 脑瘤细分对于诊断和治疗计划至关重要,但面临诸如阶级不平衡和边界划分不良等挑战.
- 传统的损失函数与非可区分性和异常值灵敏性作斗争,阻碍了稳定的优化和准确的瘤边界预测.
- 现有的方法往往无法平衡精确的边界细分与准确的地区识别.
研究的目的:
- 开发一种新的亚差异化豪斯多夫损失 (SDHL) 方法,用于强大而稳定的脑瘤细分.
- 将SDHL与二进制交叉 (BCE) 损失相结合,以提高边界度和区域细分精度.
- 评估SDHL+BCE与各种UNet衍生架构用于脑瘤细分的有效性.
主要方法:
- 提出了一个亚微分的豪斯多夫损失 (SDHL),以使基于梯度的稳定学习和改善边界对齐.
- 开发了一种混合损失函数,将SDHL与BCE损失结合起来,以利用边界和区域细分的优势.
- 实施和训练了UNet,UNet+,VNet,UNet++,和Attention UNet模型,使用对脑瘤MRI数据提出的损失函数.
主要成果:
- 与SDHL+BCE相结合的Attention UNet模型实现了卓越的性能,准确率为99.71%,精度为91.06%,回忆率为91.85%,子得分为90.16%,IOU得分为80.78%.
- 拟议的损失函数显著提高了细分质量,解决了类不平衡和边界划分问题.
- 关注UNet在多个指标上表现出强的表现,包括97.92%的准确性和93.41%的马修斯相关系数.
结论:
- 新的SDHL与BCE损失相结合,为医学成像中的脑瘤细分提供了强大而有效的解决方案.
- 与传统方法相比,这种方法显著提高了细分精度和边界划分.
- 这些发现突出了先进的深度学习损失函数的潜力,以增强临床诊断工具.
