LCBTS-Net:在磁共振成像中,一个轻量级的级联式3D脑瘤细分网络
Ayse Bastug Koc1, Devrim Akgun2
1Computer and Informatics Engineering Department, Institute of Natural Science and Technology, Sakarya University, Esentepe Campus, Serdivan, Sakarya, 54050, Turkiye; Department of Computer Programming, Gemlik Asım Kocabıyık Vocational School, Bursa Uludag University, Gemlik, Bursa, 16600, Turkiye.
概括
这项研究提出了一种轻量级的深度学习模型,用于在MRI扫描中准确地对脑瘤进行细分. 级联方法提高了精度,为临床应用提供了实际的解决方案.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经瘤学神经瘤学
背景情况:
- 精确的脑瘤细分从MRI是治疗规划至关重要的.
- 患者间的变化给自动细分带来了挑战.
- 现有的方法难以处理复杂的瘤结构和各种成像特征.
研究的目的:
- 开发一种轻量级的级联深度学习模型,用于精确的3DMRI脑瘤细分.
- 为了提高准确性,利用多通道MRI数据和层次分割方法来提高准确性.
- 创建一个计算效率高的模型,适合临床环境.
主要方法:
- 采用了3D轻量级和级联式深度学习架构.
- 多个序列MRI通道被合并为全面的特征提取.
- 一个多步骤的级联估计从粗细细细细分细分细分,使用整个瘤 (WT) 作为瘤核心 (TC) 和增强瘤 (ET) 之前.
主要成果:
- 该模型在BRATS 2020数据集上获得了高的子得分 (0.9285为WT,0.8871为TC,0.8694为ET).
- 低豪斯多夫95距离 (4.26,6.46,4.55对于WT,TC,ET) 表示精确的边界划分.
- 与最先进的细分技术相比,该模型显示出更高的性能.
结论:
- 拟议的轻量级级级联模型显著提高了MRI中脑瘤细分的准确性.
- 它的计算效率和高性能使其适合于现实世界的临床应用.
- 这种方法为改善诊断和个性化治疗策略提供了可靠的工具.
