机构名称：
¥ 1.0
摘要 - 图像分割被认为是从图像中提取有用信息的本质任务之一。鉴于脑肿瘤及其对医疗资源的消耗，此处说明了MRI的深度学习方法分割患者MRI的脑肿瘤。脑肿瘤分割技术对于检测和治疗MRI脑肿瘤至关重要。此外，它可以帮助医生定位和测量肿瘤，并制定治疗和康复计划。基于剩余的U-NET ++编码器架构的架构被设计为主要网络，它是一种在Resu-Net和U-Net ++之间杂交的体系结构。针对最新且众所周知的全球基准挑战，提出的剩余U-NET ++适用于MRI脑图像：Brats 2017，Brats 2019和Brats2021。根据脑肿瘤MRI图像评估所提出的方法。具有骰子相似性系数（DSC）的BRAST 2021数据集的结果为90.3％，灵敏度为96％，特异性为99％，Hausdorff距离（HD）为9.9。使用Brast 2019数据集，DSC为89.2％，灵敏度为96％，特异性为99％，HD为10.2。使用Brast 2017数据集，DSC为87.6％，灵敏度为94％，特异性为99％，HD为11.2。此外，残留的U-NET ++的表现优于标准的脑肿瘤分割方法。实验结果表明，所提出的方法是有希望的，可以比标准U-NET提供更好的分割。细分改进可以帮助放射科医生提高其放射科医生分割的准确性，并节省3％的时间。
使用残留U- ...
主要关键词
相关文件推荐
