利用迁移学习和微调后的DeepLabv3+提高MRI中脑肿瘤检测的准确性

《IEEE Open Journal of the Computer Society》:Boosting Brain Tumor Detection Accuracy in MRI Using Transfer Learning and Fine-Tuned DeepLabv3+

【字体: 大 中 小 】 时间:2026年04月30日 来源:IEEE Open Journal of the Computer Society 8.2

编辑推荐:

   摘要: 检测和诊断成人脑肿瘤是一项复杂的任务,因为这些肿瘤外观多样且具有严重的健康风险。手动解读磁共振成像(MRI)扫描结果既耗时又容易出错,因此开发可靠的自动化解决方案显得尤为重要。在这项研究中,我们引入了一个基于改进的DeepLabv3+架构的深度卷积神经

  

摘要:



检测和诊断成人脑肿瘤是一项复杂的任务,因为这些肿瘤外观多样且具有严重的健康风险。手动解读磁共振成像(MRI)扫描结果既耗时又容易出错,因此开发可靠的自动化解决方案显得尤为重要。在这项研究中,我们引入了一个基于改进的DeepLabv3+架构的深度卷积神经网络(CNN)框架,用于在增强磁共振成像(CE-MRI)中分割胶质瘤、脑膜瘤和垂体瘤。该框架采用了ResNet34作为主干网络,结合了具有孔洞的空间金字塔池化(ASPP)和一种能够捕捉CE-MRI肿瘤图像结构细节的边界感知解码器。为了解决肿瘤像素与背景像素之间的显著不平衡问题,我们引入了加权二元交叉熵(WBCE)损失函数,从而提高了对较小或不规则肿瘤区域的检测能力。我们还进行了逐步消融实验,以评估WBCE、ASPP以及ImageNet预训练对模型性能的贡献。该框架在内部CE-MRI数据集、未经额外微调的外部CE-MRI数据集以及多个BraTS基准测试版本(2020年、2021年、2023年)上进行了评估,显示出在多种成像协议下的优异性能。最终,该框架通过98.0%的Dice相似系数、99.1%的准确率和99.3%的灵敏度,证明了其在架构选择、损失函数优化和全面验证方面的优越性,超越了其他现有技术。










相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号