An automatic brain tumor segmentation using modified inception module based U-Net model

doi:10.3233/jifs-211879

An automatic brain tumor segmentation using modified inception module based U-Net model

2022-02-02

0

PRE

AI

DOI：10.3233/jifs-211879

原文链接

原文求助

摘要

En 中文

手动分割脑肿瘤不仅是一项繁琐的任务，还可能引入人为错误。自动分割能更快地获得结果，并通过更早的治疗计划延长生存率。因此，提出了一种基于改进Inception模块的U-Net自动脑肿瘤分割模型（IMU-Net）。该模型采用BRATS 2017训练数据集中四种模态（FLAIR、T1、T1ce和T2）的磁共振（MR）图像。通过使用两个3×3卷积核、一个5×5卷积核和一个1×1卷积核的串联操作来提取全肿瘤（WT）、肿瘤核心（CT）和增强肿瘤（ET）。改进的Inception模块（IM）收集所有相关特征，并提供更优的分割结果。所提出的深度学习模型包含40个卷积层，并利用强度归一化和数据增强操作进一步优化。在评估中，该模型在全肿瘤（WT）、肿瘤核心（CT）和增强肿瘤（ET）上分别实现了0.90、0.77、0.74的平均Dice相似系数（DSC）以及0.79、0.70、0.70的平均交并比（IOU）。

An automatic brain tumor segmentation using modified inception module based U-Net model

摘要

期刊

机构

引用论文