Mod-SE(2):用于MRI图像中脑瘤分类和细分的几何深度学习框架
Clara Lavita Angelina1,2,3, Fu-Ren Xiao3,4, Sunil Vyas3,5
1Graduate School of Engineering Science and Technology, National Yunlin University of Science and Technology, Yunlin, 64002, Taiwan.
Journal of biomedical science
|January 13, 2026
概括
本研究介绍了Mod-SE(2),这是一种用于脑瘤分类和细分的几何深度学习框架. 与传统的CNN相比,它显著提高了准确性和效率,有助于诊断和治疗规划.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算神经科学是一种神经科学.
背景情况:
- 准确的脑瘤分类和细分对于患者的诊断和治疗至关重要.
- 异质瘤形态对传统的卷积神经网络 (CNN) 提出了重大挑战.
- CNNs通常缺乏旋转和转换不变性,限制了它们在各种MRI数据上的性能.
研究的目的:
- 引入一种新的几何深度学习框架,改进的特殊欧几里德式 (Mod-SE(2)),用于增强脑瘤分析.
- 改善空间一致性,减少瘤分类和细分中的数据增强依赖性.
- 为了利用几何先验和保持对称性的组卷曲来进行强大的医学图像分析.
主要方法:
- 开发了Mod-SE(2) 框架,集成几何先验和保持对称性的组卷曲.
- 应用Mod-SE(2) 进行瘤分类 (Mod-Cls-SE(2) 和细分 (Mod-Seg-SE(2) 任务.
- 在多个MRI和医疗图像数据集上评估了性能,与U-Net,NN U-Net,VGG16,VGG19和ResNet进行了对比.
主要成果:
- Mod-Cls-SE(2) 实现了0.914的平均分类准确度,超过了ResNet101 (0.682) 和VGG16 (0.705).
- 在BraTS2020上,Mod-Seg-SE(2) 获得了0.9503的子系数和0.9616的IOU,超过了U-Net (0.797) 和NN U-Net (0.815).
- 该模型证明了推断时间的减少和强大的计算性能.
结论:
- 通过对称感知设计,Mod-SE(2) 提高了脑瘤分析中的空间一致性,效率和可解释性.
- 该框架在不同的瘤形状上更好地泛化,在关键指标上表现优于传统方法.
- Mod-SE(2) 支持精确的边界划定用于神经外科规划和其他临床应用.
