.png){kind=icon}
返回
Optimized U-Net Architecture with Enhanced Chimp Optimization Algorithm for Brain Tumor Segmentation
.png){kind=icon}
PRE
AI
DOI：10.1007/s12559-025-10530-1.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
脑肿瘤的早期检测和精确诊断对于改善患者预后至关重要。磁共振成像（MRI）常用于脑肿瘤识别，但从庞大的MRI数据集中进行手动检测依赖于医学专家的时间和专业知识。深度学习，特别是卷积神经网络，在医学图像分析中表现出色。在深度学习驱动的医学图像分析领域，从健康组织中准确识别肿瘤区域仍然是一个巨大的开放性挑战。常用的U-Net架构因其统一的编码器设计和卷积堆叠，在捕获广泛特征方面存在局限性。这些局限性包括参数过多、内存消耗高、全局上下文不足、分割不完整以及对低级别肿瘤边界的识别不精确。为解决这些挑战，我们提出了一种基于嵌套U-Net的创新架构，结合了上采样和下采样操作，以及残差连接与多重跳跃连接，以使用三维（3D）MRI图像进行脑肿瘤分割。此外，我们采用增强型黑猩猩优化算法（ECHOA）方法优化超参数，以最大化我们提出模型的Dice分数。我们的模型在脑肿瘤分割（BraTS）2017、2018、2019、2020和2021数据集上，针对各种肿瘤亚区域（整体肿瘤、肿瘤核心和增强肿瘤）显示出更优的Dice分数。为提高模型的泛化能力，我们采用5折交叉验证、留2交叉验证和留(n-1)交叉验证方法对模型进行验证。结果表明，所提出的方法在所有参考数据集上均超越了现有的最先进方法。
Keyword:
Deep learning
Medical image processing
Encoder-decoder
Brain tumor segmentation
Convolutional neural network
期刊
IF:
4.3
论文数:
1.6K
被引数:
3.6K
机构
引用论文
A hybrid short-term load forecasting model based on variational mode decomposition and long short-term memory networks considering relevant factors with Bayesian optimization algorithm基于变分模态分解和长短期记忆网络的贝叶斯优化短期负荷预测模型.png)
APPLIED ENERGY
APPLIED ENERGYIF11
PREAI
分享收藏Multiscale lightweight 3D segmentation algorithm with attention mechanism: Brain tumor image segmentation基于注意力机制的多尺度轻量级三维分割算法: 脑肿瘤图像分割
PREAI
分享收藏分享收藏DPAFNet: A Residual Dual-Path Attention-Fusion Convolutional Neural Network for Multimodal Brain Tumor SegmentationDPAFNet: 用于多模态脑肿瘤分割的残差双路径注意力融合卷积神经网络
PREAI
分享收藏Brain tumor segmentation and grading of lower-grade glioma using deep learning in MRI images基于深度学习的MRI图像低级别胶质瘤脑肿瘤分割与分级
PREAI
分享收藏
查看更多内容