Rmu-net: un modelo novedoso de red móvil residual u-net para la segmentación de tumores cerebrales a partir de imágenes de resonancia magnética
Autores: Saeed, Muhammad Usman; Ali, Ghulam; Bin, Wang; Almotiri, Sultan H.; AlGhamdi, Mohammed A.; Nagra, Arfan Ali; Masood, Khalid; Amin, Riaz ul
Idioma: Inglés
Editor: MDPI
Año: 2021
Acceso abierto
Artículo científico
2021
Rmu-net: un modelo novedoso de red móvil residual u-net para la segmentación de tumores cerebrales a partir de imágenes de resonancia magnética
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Gliomas
MRI
Segmentación
Aprendizaje profundo
MobileNetV2
BraTS.
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 53
Citaciones: Sin citaciones
La forma más agresiva de tumor cerebral son los gliomas, lo que lleva a una vida concisa cuando es de alto grado. La detección temprana de glioma es importante para salvar la vida de los pacientes. La resonancia magnética es un enfoque comúnmente utilizado para la evaluación de tumores cerebrales. Sin embargo, la gran cantidad de datos proporcionados por la resonancia magnética impide la segmentación manual en un tiempo razonable, lo que restringe el uso de mediciones cuantitativas precisas en la práctica clínica. Se requiere un método automático y confiable que pueda segmentar tumores con precisión. Para lograr la segmentación de tumores cerebrales de extremo a extremo, se propone un modelo híbrido de aprendizaje profundo RMU-Net. La arquitectura de MobileNetV2 se modifica agregando bloques residuales para aprender características en profundidad. Este Mobile Net V2 modificado se utiliza como codificador en la red propuesta, y las capas de upsampling de U-Net se utilizan como parte del decodificador. El modelo propuesto ha sido validado en los conjuntos de datos BraTS 2020, BraTS 2019 y BraTS 2018. El RMU-Net logró puntuaciones de coeficiente de Dice para WT, TC y ET del 91,35%, 88,13% y 83,26% en el conjunto de datos BraTS 2020, 91,76%, 91,23% y 83,19% en el conjunto de datos BraTS 2019, y 90,80%, 86,75% y 79,36% en el conjunto de datos BraTS 2018, respectivamente. El rendimiento del método propuesto supera con un menor costo computacional y tiempo en comparación con métodos anteriores.
Descripción
La forma más agresiva de tumor cerebral son los gliomas, lo que lleva a una vida concisa cuando es de alto grado. La detección temprana de glioma es importante para salvar la vida de los pacientes. La resonancia magnética es un enfoque comúnmente utilizado para la evaluación de tumores cerebrales. Sin embargo, la gran cantidad de datos proporcionados por la resonancia magnética impide la segmentación manual en un tiempo razonable, lo que restringe el uso de mediciones cuantitativas precisas en la práctica clínica. Se requiere un método automático y confiable que pueda segmentar tumores con precisión. Para lograr la segmentación de tumores cerebrales de extremo a extremo, se propone un modelo híbrido de aprendizaje profundo RMU-Net. La arquitectura de MobileNetV2 se modifica agregando bloques residuales para aprender características en profundidad. Este Mobile Net V2 modificado se utiliza como codificador en la red propuesta, y las capas de upsampling de U-Net se utilizan como parte del decodificador. El modelo propuesto ha sido validado en los conjuntos de datos BraTS 2020, BraTS 2019 y BraTS 2018. El RMU-Net logró puntuaciones de coeficiente de Dice para WT, TC y ET del 91,35%, 88,13% y 83,26% en el conjunto de datos BraTS 2020, 91,76%, 91,23% y 83,19% en el conjunto de datos BraTS 2019, y 90,80%, 86,75% y 79,36% en el conjunto de datos BraTS 2018, respectivamente. El rendimiento del método propuesto supera con un menor costo computacional y tiempo en comparación con métodos anteriores.