LU-net: A Multiscale Probability Search Algorithm for Brain Tumor Segmentation

doi:10.2352/J.ImagingSci.Technol.2026.70.2.020502

LU-net: A Multiscale Probability Search Algorithm for Brain Tumor Segmentation

2026-03-01

1

PRE

AI

DOI：10.2352/J.ImagingSci.Technol.2026.70.2.020502

原文链接

原文求助

摘要

En 中文

目的：胶质瘤，尤其是脑肿瘤，因其复杂的病理特征和潜在的生命威胁而构成重大挑战。本研究旨在介绍LU-net，一种新型语义分割算法，旨在提升胶质瘤的诊断和治疗方案规划。本研究旨在通过提高医学图像中肿瘤边界分割的准确性和鲁棒性，解决传统分类和检测方法的局限性。方法：LU-net采用多尺度图像金字塔与基于贝叶斯推理的多尺度概率搜索相结合，以捕捉复杂的肿瘤特征。该算法通过整合条件随机场模型进一步强化，从而实现更精确的分割。LU-net的性能通过与现有分割算法使用准确率、交并比（IoU）和Dice分数等标准指标进行比较进行评估。结果：实验结果表明，LU-net在准确性和鲁棒性方面均优于当前分割算法。具体而言，LU-net的准确率达到0.9953，IoU为0.667，Dice分数为0.566，有效解决了胶质瘤的病理异质性和侵袭性。这些结果突显了LU-net在分割肿瘤边界和提升诊断准确性方面的卓越能力。结论：LU-net在胶质瘤病灶检测方面树立了新的基准，为脑肿瘤分割提供了更有效的方法。通过提升脑肿瘤边界分割的准确性、可靠性和可解释性，LU-net优化了诊断和治疗策略，为患者、临床医生和医疗提供者带来显著益处。总体而言，本研究为医学影像学和胶质瘤诊断领域做出了重要贡献。

LU-net: A Multiscale Probability Search Algorithm for Brain Tumor Segmentation

摘要

期刊

机构

引用论文