.png){kind=icon}
返回
DEEP-BTS: Deep Learning based Brain Tissue Segmentation using ResU-Net Model
.png){kind=icon}
OA
AI
DOI：10.2478/msr-2025-0041.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
磁共振成像（MRI）中的脑组织分割（BTS）对于神经疾病的诊断、脑结构绘制以及疾病进展分析至关重要。BTS的主要挑战是强度不均匀性，MRI扫描中的非均匀光照导致强度变化，使得准确区分灰质（GM）、脑脊液（CSF）和白质（WM）变得困难。为解决这些挑战，提出了一种基于深度学习的DEEP-BTS模型，用于脑MRI图像的BTS。输入图像来自BrainWeb数据集，MRI图像经过颅骨剥离以去除无关区域。颅骨剥离后，收集的图像使用对比度拉伸自适应三边滤波器（CSATF）进行预处理，以提高图像质量、减少噪声伪影，并通过数据增强增加数据多样性，以确保模型训练的鲁棒性。预处理后的图像随后输入ResU-Net，该网络对CSF、GM和WM等不同脑组织进行分割。所提出的DEEP-BTS模型根据其准确率（AC）、特异度（SP）、召回率（RE）、精确率（PR）、F1分数（F1）、Jaccard指数（JI）和Dice指数（DI）进行评估。所提出的DEEP-BTS在BTS中达到了98.91%的分割准确率。所提出的ResU-Net在CSF、GM和WM分割中分别达到98.33%、98.04%和99.15%，优于模糊C均值、M-Net和U-Net方法，表明分割精度得到提升。
Keyword:
brain tissue segmentation
contrast stretching adaptive trilateral filter
cerebrospinal fluid
gray matter
white matter
期刊
M
IF:
0.8
论文数:
35
被引数:
0
机构
引用论文
Brain tumor segmentation based on kernel fuzzy c-means and penguin search optimization algorithm基于核模糊C均值和企鹅搜索优化算法的脑肿瘤分割
PREAI
分享收藏
Enhancing Brain Segmentation in MRI through Integration of Hidden Markov Random Field Model and Whale Optimization Algorithm.png)
Computers
ComputersIF0
PREAI
分享收藏
查看更多内容