机构名称：
¥ 1.0
1 美国国立卫生研究院国家癌症研究所癌症研究中心，10 号楼，马里兰州贝塞斯达，20892，美国。2 爱琴海大学计算机工程系，伊兹密尔博尔诺瓦，35100，土耳其。3 不列颠哥伦比亚大学医学院，317 - 2194 健康科学商城，温哥华，BC V6T 1Z3，加拿大。摘要 神经胶质瘤是最常见的脑肿瘤之一。早期检测和分级神经胶质瘤对于提高患者的生存率至关重要。计算机辅助检测 (CADe) 和计算机辅助诊断 (CADx) 系统是必不可少的重要工具，可提供更准确、更系统的结果，从而加快临床医生的决策过程。通过利用各种深度学习模型（例如 CNN）和迁移学习策略（例如微调），图像分类的性能结果提高了准确性，并且提高了有效性，尤其是对于具有相似性的新型大规模数据集。在本文中，我们介绍了一种新方法，该方法结合了机器、深度学习和迁移学习方法的变体，用于在多模态脑肿瘤分割 (BRATS) 2020 数据集上对脑肿瘤（即神经胶质瘤）进行有效的分割和分级。我们将流行且高效的 3D U-Net 架构应用于脑肿瘤分割阶段。我们还利用 23 种不同的深度特征集组合和基于 Xception、IncResNetv2 和 EfficientNet 的机器学习/微调深度学习 CNN 模型，在肿瘤分级阶段使用 4 种不同的特征集和 6 种学习模型。实验结果表明，该方法在 BraTS 2020 数据集上对基于切片的肿瘤分级的准确率为 99.5%。此外，我们的方法与最近的类似研究相比具有竞争力。关键词：神经胶质瘤；神经胶质瘤等级；分割；特征提取；深度学习、集成学习、MRI 分类
3D 多模态脑肿瘤分割和分级...
主要关键词
相关文件推荐
