没有合适的资源?快使用搜索试试~ 我知道了~
沙特国王大学学报MDFU-Net:多尺度扩张特征上采样网络,用于从异质脑数据中准确分割肿瘤Haseeb Sultan,Muhammad Owais,Se Hyun Nam,Adnan Haider,Rehan Akram,MuhammadUsman,Kang RyoungPark电子与电气工程系,东国大学,30 Pildong-ro 1-gil,Jung-gu,Seoul 04620,韩国阿提奇莱因福奥文章历史记录:收到2022年2023年3月28日修订2023年4月12日接受2023年4月20日在线提供保留字:脑肿瘤计算机辅助诊断深度学习异构数据MDFU-NetA B S T R A C T现有的基于同质数据集的脑肿瘤(BT)精确分割方法在实际临床应用中表现出明显的性能下降,并且缺乏对异质数据的分析。为了解决这些问题,我们设计了一个基于深度学习的多尺度扩张特征上采样网络(MDFU-Net ) , 用 于 从 异 构 大 脑 数 据 中 准 确 分 割 BT 我 们 的 方 法 主 要 使 用 编 码 器 模 块 内 部 的 多 尺 度 扩 张 特 征(multiscale dilated features,缩写为DAF)的强度来提高分割性能。对于最终的分割,一个简单而有效的解码器模块被设计来处理密集的空间分布。对于实验,我们的MDFU-Net在一个数据集上进行训练,并在异构环境中使用另一个数据集进行测试,显示出Dice相似性系数(DC)为62.66%,交集(IoU)为56.96%,特异性(Spe)为99.29%,灵敏度(Sen)为51.98%的定量结果,高于最先进的方法。异质数据集的评价指标值较低有几个原因,包括不同MRI模态的特征变化、存在微小病变和高度不平衡的数据集。此外,对同质数据集的实验结果表明,我们的MDFU-Net实现了82.96%的DC,74.94%的 IoU,99.89%的 Spe和68.05%的Sen,也高于最先进的方法。我们的系统,这是基于异构的大脑数据以及同质的大脑数据,可以有利于放射科医生和医学专家。版权所有2023作者。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY许可下的文章(http://creativecommons.org/licenses/by/4.0/)。1. 介绍神经胶质瘤是一种具有高死亡率的威胁性脑肿瘤(BT),并且根据肿瘤细胞的病理学恶性程度分为低级神经胶质瘤(LGG)或高级神经胶质瘤(HGG)(Zhao et al.,2022年)。对生命的威胁可以通过肿瘤的早期识别、治疗和复发预测而显著减少(Yang等人,2021年)。国家癌症登记项目(NPCR)和监测、流行病学和最终结果(SEER)登记提供了2008年至2017年美国患者的BT数据,显示54%的成年人被诊断患有HGG,其在青少年*通讯作者。电子邮件地址:parkgr@dongguk.edu(K.R. Park)。沙特国王大学负责同行审查范围为0.5%至0.7%(Miller等人,2021年)。目前的治疗,包括放疗、手术和化疗,用于治愈BT,其对于不同的脑分子标志物具有不同的结果(Tabatabai等人,2010年)。了解BT的形态、结构和位置对于正确诊断、治疗计划和治疗后评价至关重要传统的BT手动分割方法效率低、耗时长,并且容易受到专家主观偏见的影响。因此,开发用于BT的计算机辅助诊断(CAD)分割工具是至关重要的,因为它不仅可以消除主观影响,而且还可以快速有效地完成肿瘤分割过程(Menze等人, 2015年)。开发这种用于磁共振成像(MRI)图像的BT分割的CAD工具是困难的,原因有几个,包括:肿瘤的解剖结构是复杂的,这是由于其在不同患者之间的变化行为;病变浸润正常组织;以及MRI的不同模态具有不同的信息强度,这只有专家才能理解(Menze等人, 2021年)。https://doi.org/10.1016/j.jksuci.2023.1015601319-1578/©2023作者。由Elsevier B.V.代表沙特国王大学出版。这是CC BY许可下的开放获取文章(http://creativecommons.org/licenses/by/4.0/)。制作和主办:Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页:www.sciencedirect.comH. 苏丹,M。Owais,S.H.Nam等沙特国王大学学报2最近,深度学习(DL)方法,特别是卷积神经网络(CNN),已经被广泛用于医学图像分类和分割领域(Haider等人,2022 a,2022 b; Kesav和Jibukumar ,2022; Sultan等人, 2021 年)。CNN模型主要由许多卷积层和具有可训练参数的全连接(FC)层组成(LeCun等人, 2015年)。最初,使用单独的训练数据集来学习这些参数。因此,经过训练的模型将测试数据样本分为其预期类别,然后进行大量卷积和FC分析。在CNN中,随着图像通过不同的层进行处理,其维度会降低,从而导致信息丢失。为了保持低层信息(Flow)、中间层信息(Fint)和高层信息(Fhi),我们在所提出的网络中引入了atrous块(Atr-block)。为了在不同分辨率下捕获多尺度上下文信息,我们在我们提出的块中使用具有不同膨胀率的阿特鲁斯街区因此得名。在不同分辨率的空间特征的多尺度扩张的上下文信息的聚合是设计ATR块的主要为了恢复图像的最佳信息,我们设计了一个简单而有效的解码器,该解码器由上采样块(UP块)和级联块(C块)组成。我们的解码器是基于传统的解码器用于语义分割。设计UP块的主要动机是放大不同分辨率的不同多尺度信息(Flow、Fint、 Fhi),以生成低级别信息(UpFlow)、中间级别信息(UpFint)和高级别信息(UpFhi)的密集特征张量。最后,为了将所有密集特征张量的联合强度用于最终分割,在解码器中设计C块以级联UpF_low、UpF_int和UpF_hi。我 们 使 用 BraTS-2020 数 据 集 ( 数 据 -2 ) ( Menze 等 人 ,2015;Bakas等人, 2017,2019)用于训练和脑肿瘤进展数据集(Clark等人,2013年; Schmainda和Prah,2019年)(数据-1)进行测试,使我们的模型适用于完全异构数据的环境。首先,我们设计了一个高效的基于DL的框架,使用data-1进行五重交叉验证,最后提出了一个开源的基于异构数据分析的分割框架。本研究的其余部分结构如下:第2和第3节分别描述了所提出的方法的相关工作和细节。第四、五节分别描述了研究结果的分析和主要贡献。最后,本文的结论在第6中给出。2. 相关工作在DL技术出现之前,BT是使用手工制作的基于特征方法(Archip例如,2007; Bal等人,2022; Clark等人,1998; Gibbs等人,1996;Kamber等人,1995; Kaus等人,1999; Mazzara等人,2004; Pinto等人,2015; Sheela和Suganthi,2022; Tustison等人,2015年)。然而,这些方法并不健壮,需要预处理,处理时间长,并且依赖于地图集。已经提出了许多CAD工具,用于使用私人和公共可用的数据集基于等级和类型的BT检测、分割和分类。在这篇文献中,我们专注于使用脑肿瘤进展数据集的基于CNN的研究(Clark等人,2013年;Schmainda和Prah,2019年)和BraTS-2020数据集(Menze等人,2015; Bakas等人,2017年,2019年),单独或与私人数据集一起。一个单一的多任务CNN是由(van der Voort et al., 2022),其可以分割肿瘤,同时还使用完整的3D结构、术前MRI数据预测IDH突变状态、1 p/19 q共缺失状态和肿瘤等级。这在来自13个不同研究所的240名患者上评估了模型,并且成功地获得了85%的1 p/19 q-AUC、81%的等级- AUC、84%的平均肿瘤DICE评分(DS)和90%的IDH-AUC 对于分割任务,他们使用脑肿瘤进展数据集(Clark等人,2013; Schmainda和Prah,2019)和BraTS-2019数据集以及其他私人数据集用于训练,而BraTS-2018数据集用于测试。然而,这种分布是不公平的,因为BraTS-2019数据集包含了BraTS-2018数据集的所有受试者因此,他们的研究并没有集中在用于训练和测试的完整异构BT数据为了解决这个问题,我们使用数据-2进行训练,数据-1进行测试,使我们的模型适用于完全异构数据的环境。(Isensee等人,2021年)在BraTS-2020挑战赛中获得第一名在测试数据集上,他们提出的nnU-Net在增强肿瘤(ET)、全脑肿瘤(WBT )和肿瘤核心(TC )方面分别实现了82.03% 、88.95%和85.06%的然而,用于测试数据集的地面实况此外,还没有以前的研究BT分割使用数据-1。我们使用data-1对BT分割进行了五重交叉验证,并获得了最先进的结果。在(Azat等人,2021年),作者用var训练了七个CNN,采用卷积层和密集层对初始阶段和进行阶段的BT进行分类,分类准确率达到92.53%CNN架构的层逐渐减少和增加,并且使用五重交叉验证检查了所考虑的数据集的性能结果对于二进制分类任务,更深的层将性能降低了7%。已经发现具有最少层数的CNN然而,他们的研究不能分割肿瘤的初始和进展阶段。 (Saeed等人, 2021)提出了一种基于MobileNetV 2和U-Net的混合DL模型,称为RMU-Net,用于BT分割。他们将BraTS-2020的训练数据划分为80/20的训练测试比例,并实现了WBT的DS为91.35%,TC为88.13%,ET为83.26%他们使用训练数据评估了他们的方法这种比较是不公平的。(亨利例如,2021)提出了一种基于3D U-Net的集成网络,用于使用BraTS-2020数据集进行BT分割,并实现了WBT的89% DS,ET的79%和TC的84%的最终测试结果。他们的方法需要通过以可变大小裁剪图像来进行图像预处理。(Guan等人,2022)设计了基于挤压、激发和注意块的AGSE-VNet模型,用于自动分割肿瘤。这些块利用信道关系自动增强信道中的有用信息,抑制无用信息,引导边缘信息,去除噪声等无关信息的影响。他们在BraTS-2020的训练和验证数据集上实现了85%的WBT DS。而ET和TC的检测结果均低于70%。(Ghaffari等人,2022)提出了一个使用BraTS-2020数据集的密集连接U-Net模型。在验证数据集中,WBT的DS为90%,TC为83%,ET为78%为了提高分割精度,他们使用了本地数据集进行增强,并通过BraTS-2020扫描的迁移学习训练了模型WBT和TC的结果有所改善,但ET保持不变。他们的研究缺乏对他们的集合模型的比较和消融研究 (Liu等人, 2022)设计了一个独特的3D U-Net模型,称为SGEResU-Net,以分割BT。他们的模型嵌入残差块和空间分组同时增强注意力块,他们基于五重交叉验证将训练数据集( BraTS-2020 ) 划 分 为 8 : 2 的 训 练 有 效 率 , WBT 的 DS 为90.48%,ET为79.40%,H. 苏丹,M。Owais,S.H.Nam等沙特国王大学学报3TC. 与U-Net相比,他们的模型非常复杂,分割结果略有改善。由(Fang et al.,2022)利用非局部和卷积注意力模块,在通道和空间维度上进行注意力。他们最终在BraTS-2020中获得了WBT的平均DC为87.6%,ET为67.02%,TC为76.87%。然而,他们的模型缺乏对非局部注意模块的剥离研究,需要进行预处理。与以前的研究不同,我们的CAD模型是专为异构数据分析以及同质数据分析。提出的MDFU-Net通过利用多尺度扩张特征在各个层次上的优势来改进上下文语义信息表1显示了我们提出的方法和各种现有方法的比较分析,以及它们的优点和局限性。3. 该方法3.1. 工作流程概述所提出的用于异构数据分析的分割框架的概述如图1所示。 以前没有研究考虑到完整的异质大脑数据分析。我们提出了一个MDFU-Net,以有效地分割BT在一个完全异构的训练和测试环境。在训练阶段,将训练数据(data-2 )的图像输入到网络(MDFU-Net)。随后,对MDFU-Net进行了培训。在测试MDFU-Net进行最终分割之前,引入了预处理步骤。在该步骤中,使用Reinhard(RH)变换(Reinhard等人,2001年)。RH使用具有参数h的映射函数w将测试数据-1(Tst)转换为预处理数据(T以获得训练数据-2的视觉表示。在数学上,它被定义为:T最后,根据MDFU-Net的输出结果对数据-1的预处理后的测试图像进行分割MDFU-Net的详细架构和预处理方法将在后续章节中进行说明3.2. MDFU-Net结构和工作流在本节中,我们首先描述在编码器和解码器模块中引入的三个新块,然后解释用于BT分割的MDFU-Net的工作流程。所提出的MDFU-Net架构主要由三个新颖的块组成,如图2所示。1)Atr-block基于多尺度扩张卷积层,2)Up-block基于转置卷积层,3)C-block基于多级密集特征连接以实现最终分割性能。如图2所示,MDFU-Net体系结构的总体结构由三个Atr块、三个Up-block、一个C-block和几个更多的块(块1、2、3和块4)和层组成。在这里,我们描述的结构和重要性,我们提出的三个新的块。其余块的细节可以在(Chen等人, 2018年)。3.2.1. 编码器:Atr-block我们在de-pLabV 3+(基础模型)的编码器模块中引入了Atr块,以捕获低级别(F low)、中间级别(F int)和高级别(F hi)的多尺度扩张特征表示,其通过跳过连接注入到解码器模块中(如图所示)。2)的情况。Atr块发展的关键概念是不同分辨率下空间特征的多尺度扩张上下文信息的聚合我们提出的Atr-block由八个批量归一化层,四个整流线性单元(ReLU)层,表1脑肿瘤分割的建议和现有方法的比较DS:DICE评分,WBT:全脑肿瘤,TC:肿瘤核心,ET:增强肿瘤。昂贵(接下页)方法作者优势限制数据集评估指标单任务CNNCNNsvan der Voort等人,2022Azat等人,同时执行多任务- CNN层的详细消融研究是- 基于异质性的分割任务部分完成- 有限的测试数据BraTS-2018,BraTS-2019,脑肿瘤进展脑肿瘤DS = 84%准确度= 92.53%2021提供七个网络- 计算上便宜- 缺乏肿瘤分割进展nnU网络RMU-NetIsensee等人,2021Saeed等人,BraTS-2020挑战赛MobileNetV 2和U-Net- 训练运行1000个epoch- 缺乏异构数据分析- 与国家的不公平比较-BraTS-2020BraTS-2020WBT的DS = 88.95%,TC的DS = 85.06%,ET对于WBT,DS = 91.35%,3D U-Net2021亨利等人,- 所有三个大脑技术方法- 缺乏异构数据分析BraTS-2020TC的DS = 88.13%ET DS = 83.26%WBT DS = 89%,2021肿瘤- 需要预处理ET的DS = 79%-3D网络计算TC的DS = 84%3D AGSE-VNetGuan等人,2022介绍了编码器中用于BT分割- ET和TC的DS均低于70%BraTS-2020WBT的DS = 85%,ET的DS = 70%,密集的U型网络Ghaffari等人,从学前班- 计算上昂贵- 缺乏异构数据分析- 缺乏比较研究BraTS-2020TC的DS = 68%对于WBT,DS = 90%,SGEResU-Net2022Liu等人,2022手术图像本文提出了一种具有联合损失的复合模型,- 依赖于外部数据集- 缺乏消融研究BraTS-2020TC的DS = 83%,ET对于WBT,DS = 90.48%,V-NetFang等人,提出在有限的- 缺乏异构数据分析- 需要预处理- 缺乏消融研究BraTS-2020ET的DS = 79.40%DS = 85.22%,TCDC = 87.6%,WBT,2022数据集- 有限的测试数据集- 缺乏交叉数据分析ET的DC = 67.02%DC = 76.87%H. 苏丹,M。Owais,S.H.Nam等沙特国王大学学报4×我×× ××我不不DilConvFi;kiw;v不Fig. 1. 概述了从大脑异质数据集进行肿瘤分割的拟议框架。图二.所提出的脑肿瘤分割模型(MDFU-Net)的总体架构具有三个新颖的块:1)Atr块(编码器),2)Up-block(解码器),和3)C块(解码器)。四个卷积层(具有11的滤波器大小)和并行链接的四个膨胀卷积层(具有3 × 3的滤波器大小和1、6、12和18的膨胀率)。三个Atr块在不同尺度下利用输入特征张量Fi2Rwi×hi×di,并生成输出张量Flow2 Rwi ×hi × 2 di;Fint2Rwi×hi×2 di;和Fhi2Rwi×hi×2 di:在数学上,Flow;Fint;和Fhi计算如下:Flow w;Fin t;Fh i n;DilCo nv.Fi;kjw;v1示于图 二、上块的发展的关键概念是具有不同分辨率的空间特征的多尺度扩张的上下文信息的放大。我们提出的Up-block由三个转置卷积层(滤波器大小为4 4,3 3和8 8),两个批归一化层,两个ReLU层和一个卷积层(滤波器大小为11)组成。三个Up-block和激活函 数 对 非 线 性 空 间 特 征 的 不 同 尺 度 进 行 了 放 大张 量Fint2Rwi×hi×2 di;和Fhi2Rwi×hi×2di,并生成了放大的稠密特征张量.jX¼WUPF低 2Rwi×hi×di;UpFint 2Rwi×hi× di;和UpFhi 2Rwi×hi×di:在数学上,UpF_low、UpF_int和UpF_hi计算如下。XFi½jUpFlow;UpFint;UpFhiUpScaleUpFlow;Fint;FhiUpScale其中DilConv表示Atr块中的扩张卷积运算,并且kj是具有不同步幅r= 1的卷积滤波器UpScale™低int;Fhi 中国低 Bint BB6、12和18。最后,F_low;F_int;和F_hi被馈送到上行块,1× 1卷积层的剩余连接3.2.2. 解码器:上行块我们设计了一个新的简单有效的解码器来学习Flow;Fint;和Fhi,用于对BT扫描进行上采样。我们的解码器设计主要基于一个名为Up-block的上采样块,其中,CT是转置卷积函数,B表示偏置项,并且T表示由C块执行的级联3.2.3. c块最后,通过一个名为C块的连接块,融合不同多级放大语义扩张特征的强度,用于最终的BT分割,如图所示。 二、更具体地说,vFi½ir×w]×kiwH. 苏丹,M。Owais,S.H.Nam等沙特国王大学学报5×××××××××××××××××××××××× × × × ××××最后,编码器模块的多尺度扩张特征(F_low;F_int;和F_hi)和解码器模块的多级扩张特征(UpF_low;UpF_int;和UpF_hi)的联合强度通过C-块被聚集,用于最终的分割判决。C块开发的关键概念是融合多级空间特征的多尺度扩张上下文信息,以实现肿瘤像素的多样化表示3.2.4. MDFU-Net工作流首先,通过MDFU-Net的编码器模块处理尺寸为304 - 304 -3的BT图像,以去除冗余的相关特征并提取最佳特征。第一个773卷积层利用输入图像,由最大池层进一步处理以减少张量大小为76 76.因此,16个不同的基于空间卷积的块([块1,3]、[块2,4]、[块3,6]和[块4,3])和三个扩展的基于卷积的块([Atr-块,3])进一步利用7676张量,如图所示。 二、这16个不同的基于卷积的块是最先进的模型deepLabV3+的一部分这三个新的ATR块负责提取低,中,高级别的多尺度扩张功能(F低,Fint,Fhi)。第一个Atr块利用块1的低级语义特征,并生成大小为76 76 1024的Flow这些低级语义特征以两种方式进一步处理:经由块2和经由11卷积层的跳过连接,以便将1024个通道投影到48个。第二个Atr块利用了块2的中级语义特征,并生成了大小为38 381024的Fint这些中间级语义特征以两种方式进一步处理:通过块3和11卷积层的跳过连接,以便将1024个通道投影到48个。最后,第三个Atr块利用了块4的高级语义特征,并生成了大小为19 19 1024的Fhi这些高级语义特征是瓶颈特征,其通过具有48个通道的11个卷积层的跳跃连接被传递到解码器模块。最后,F_low;F_int;和F_hi的相应大小为76 76 48,38 3848和1919处理了48个通过一个简单有效的MDFU-Net解码模块。具体地,我们的解码器模块由三个上采样块([Up-block,3])、级联块(C-块)、大小为11的卷积层、SoftMax层和最终语义分割层组成,如图2所示。 二、新的上块负责升级的低,中,高级别的多尺度扩张功能(F低;Fint;F高)。第一个Up-block提升了低层语义特征F低 的大小76× 76 × 48通过不同滤波器大小(4 × 4,3 × 3,8 × 8)的三个转置卷积层,并生成大小为304 × 304 × 2的放大特征张量UpF low。类似地,第二个Up-block通过三个不同滤波器大小的转置卷积层(4 × 4,3 × 3,8 × 8)对大小为38 × 38 × 48的中间级别语义特征F int进行放大,并生成大小为304 × 304 × 2的放大特征张量UpF int。类似地,第三个Up块放大了大小为19× 19 × 48通过不同滤波器大小(4 × 4、3 × 3、8 × 8)的三个转置卷积层,并生成大小为304×304× 2的放大特征张量UpF hi。最后,通过生成大小为304的输出特征图的C块来融合多级残余扩张特征UpFlow、UpFint和瓶颈扩张特征UpFhi304 6. 随后11卷积层被实现以使信道的维度等于类的数量(即,1类=肿瘤,2类=非肿瘤)。SoftMax层应用SoftMax函数计算每个肿瘤像素的概率。最终语义分割层为每个概率值分配类别名称,例如我们的网络生成了一个二进制输出,其中肿瘤类的值3.2.5. MDFU-Net体系结构在图2中,我们通过描述三个新颖块(Atr块、UP块和C块)的详细架构来强调所提出的工作的新颖性。Atr块负责提取具有低频、中频和高频信息的多尺度上下文BT特征,这些特征通过残差连接被传递到解码器模块。我们设计了一个简单而有效的解码器,基于一种新的上块和C块。上块负责提升抽象瓶颈空间特征以及中间多尺度扩张特征。最后,上采样的多级密集空间特征通过C块连接以进行最终分割。3.3. 实验工作流程和培训损失图3中示出了具有两个实验的所提出的分割框架的概述。实验1(Exp-1)基于同质数据分析的五重交叉验证,由三个阶段组成。在第一阶段,模型(MDFU-Net)的设计,将三个新的块(Atr块,上块,和C块)到传统的编码器-解码器架构的语义分割。在第二阶段中,通过使用优化的参数验证MDFU- Net来选择超参数,并且在第三阶段中,使用BT data-1来评估最优模型实验2(Exp-2)基于异构数据分析,包括三个阶段:在第一阶段,使用数据2训练MDFU-Net然后,在第二阶段,在测试MDFU-Net之前,对测试数据-1进行预处理。最后,在第三阶段中,使用预处理的数据对MDFU-Net进行评估。我们还显示了梯度加权类激活图(Grad-CAM)作为两个实验数据样本的输出,以展示网络决策的视觉表示(图10)。 3)。同质数据并不意味着它是从相同型号MRI、相同器械或相同实验室收集的。BTMRI的基础数据集是使用不同的设备和成像方案从各种机构收集的,但是是在标准临床条件下(Bakas等人, 2019年)。在我们提出的工作中,我们根据实验中使用的数据集例如,在Exp-1中,我们只使用了一个数据集(data-1),并使用相同的数据集进行了五重因此,我们说这些实验是使用同质数据集进行的。与Exp-1不同,在Exp-2中,我们使用了两个数据集(data-1和data-2)并进行了交叉数据分析,即,使用data-2训练模型,并使用data-1对其进行测试因此,我们说这些实验是使用异构数据集进行的。使用加权交叉熵损失(WCE)函数(Ho和Wookey,2020),在Exp-1和Exp-2中实现了所提出的分割框架的最佳收敛。实验结果证明了使用WCE优于简单交叉熵损失函数对异质脑数据的微小病变进行分割的重要性(表8)。为了实现稳健和快速的性能,所提出的编码器模型使用预训练的deepLabV 3+的权重来训练MDFU-Net,而不是从头开始训练。此外,使用随机梯度下降优化(SGD)策略和WCE对MDFU-Net进行了微调。在数学上,WCE定义如下:H. 苏丹,M。Owais,S.H.Nam等沙特国王大学学报6损耗¼ -t1½b×我我1-B我图3.第三章。概述了从大脑同质数据集(Exp-1)和大脑异质数据集(Exp-2)进行肿瘤分割的拟议框架WCE1Xt1G × log?s?T; w?g?s?T。1×1-G表2Exp-1的20例患者的训练、验证和测试数据的五重交叉验证总结(单位:患者)。×log1-s Ti;w] 5其中,t、b和s表示训练数据样本的数量,五重训练数据验证数据测试数据第一次折叠7到20 5和6 1到4肿瘤像素的频率和MDFU-Net的传递函数。Gi、Ti和w表示模型的地面真值掩码、对应的训练样本和可学习权重。4. 结果和分析第二次折叠11至201至4第三次折叠15至201至8第四折19至201至129和10 5至813和14 9至1213至16岁4.1. 数据集、实验设置和预处理两个公开可用的具有挑战性的临床BT数据集(Bakas等人,2019,2017; Clark 等 人 , 2013; Menze 等 人 , 2015;Schmainda 和 Prah,2019)用于创建异质大脑数据。 对于Exp-1,数据-1(Clark等人,2013; Schmainda和Prah,2019)分为训练、验证和测试,基于五重交叉验证,比例分别为70%、10%和20%。该数据集由20名患者的8,798种不同MRI模式组成。为了进行公平的实验,Exp-1的训练、验证和测试阶段具有独家患者数据。表2显示了20名患者的五重交叉验证的详细信息,包括训练、验证和测试数据。MDFU-Net在70%作为训练数据进行训练,在10%的数据上进行验证,最后在每个折叠中使用20%作为测试数据进行测试图4的第一行示出了数据-1的样本。使用完全异质的数据-1和2进行实验-2数据-2(Bakas等人,2019,2017; Menze等人, 2015)包含369名受试者的57,195种不同MRI模式扫描。对于一般设置,在Exp-2中,由于数据-2的大小大于数据-1,因此使用数据-2进行训练,而使用数据-1进行测试 第二行的图。 4显示了数据-2的样本。实验1和实验2使用MATLAB(R2021 b)软件和深度学习工具箱在配备英特尔酷睿i5-2320 CPU、16 GB RAM和NVIDIA GTX 1070GPU的台式Windows 10计算机上采用学习率为0.001的SGD优化方案,分别用大小为5和3的小批量在Exp- 1和Exp-2中训练两个网络第五次折叠3到16 1和2 17到20其他超参数用作MATLAB-R2021 b中的默认值。Exp-1和Exp-2的训练/验证精度/损失图如图5所示,描述了模型的良好收敛性,没有过拟合。最后,所有最先进的模型,包括提出的模型,都是根据交集对并集(IoU)、平均Dice相似系数(DC)、特异性(Spe)和灵敏度(Sen)进行评估的。在我们的研究中使用的实验异质脑数据由不同的MRI模态组成,显示出高的类间和类内变化,如图4所示。这种真实世界的异构大脑数据影响了CAD工具的泛化并降低了其性能。为了减轻这种影响并提高所提出的算法的性能,使用RH变换执行预处理(Reinhard等人,2001)对测试数据进行预处理(如图1所示),并且我们采用现有的算法1对BTs图像进行预处理。实验结果显示,使用RH转化的定量结果显著改善(表5和表6)。在Exp- 2中,RH使用具有参数h的映射函数w将测试数据-1(Tst)转换为预处理数据(T在数学上,它被定义为:T最后,我们对测试数据-1进行了归一化,其视觉外观与训练数据-2相似。此外,我们还包括算法1中预处理步骤的伪代码。H. 苏丹,M。Owais,S.H.Nam等沙特国王大学学报7我×见图4。来自异构大脑数据库的数据样本的可视化。图五、所提出的模型(MDFU-Net)的训练/验证精度/损失图:(a)基于同质数据集的Exp-1和(b)基于异构数据集的Exp-2算法1(用于预处理的伪代码。).输入:{Tst}t;共t个测试数据样本,Tst:输入测试图像T i:训练数据。输出:预处理的测试样品(Tst1:计算输入测试图像的标准差Tst_std=std(Tst(:,:))2:计算输入测试图像Tst_m=平均值(Tst(:,:))3:计算训练数据的平均标准差Tr_std=avg(std(Ti(:,:))4:计算训练数据的平均值Tr_m=avg(平均值(Ti(:,:))5:应用Reinhard变换,i= 1:x对于j= 1:yTst端对端返回Tst4.2. 测试结果分别基于同质数据集和异质数据集评价了Exp-1和Exp-2的定量结果,如表3所示。的性能结果Exp-2的DC为20.3%,IoU为17.98%,Spe为0.6%,Sen为16.07%,低于Exp-1的平均性能。性能下降的原因包括不同MRI模态的特征变化、存在微小病变和高度不平衡的数据集。对于Exp-1,使用data-1的T1-MRI模态训练MDFU-Net,而对于Exp-2,使用data-2的flair- MRI模态训练MDFU-Net。此外,data-1比data-2小98%。此外,所提出的具有同质脑数据集(Exp-1)和异质脑数据集(Exp-2)的MDFU-Net的分割结果的可视化在图6中示出。在图6中可以看出,Exp-1中的小BT识别结果在很大程度上与每个样本图像中具有较少数量的假阳性(FP)和假阴性(FN)像素的对应的地面真值相关。因此,实验1获得的定量结果优于实验2获得的结果。4.3. 与最先进方法的比较表4 示出了MDFU-Net 和其他现有技术模型的比较性能评估(Ahuja等人,2021;Akbar等人,2022; Alqazzaz等人,2019年;Chen等人,2018; Henry等人,2021; Liu等人,2022; Sun等人,2021)用于同质数据集分析。所选的最先进的模型是公开的,并用于使用迁移学习技术的BT分割因此,为了公平比较,我们比较这些H. 苏丹,M。Owais,S.H.Nam等沙特国王大学学报8表3Exp-1(使用同质数据集)和Exp-2(使用异质数据集)的拟议MDFU-Net的实验结果(单位:%)。实验编号数据类型DCIOUSPE森Exp-1均匀82.9674.9499.8968.05实验-2异构62.6656.9699.2951.98见图6。 用同质脑数据集(Exp-1)和异质脑数据集(Exp-2)对所提出的MDFU-Net的分割结果进行可视化。表4我们提出的MDFU-Net(最佳模型)的同质大脑数据集与各种最先进模型的比较性能分析(单位:%)。研究DCIOUSPE森DeepLabV3+(ResNet18)(Ahuja等人, 2021年)76.6368.2399.7174.42DeepLabV3+(ResNet50)(Ahuja等人,2021年; Chen等人, 2018年)77.1968.7799.6381.03DeepLabV3+(MobileNetV2)(Ahuja等人, 2021年)76.5968.1299.6380.68SegNet(VGG16)(Alqazzaz等人,2019年度)64.3758.1198.8885.93U-Net(Akbar等人,2022; Henry等人,2021; Liu等人, 2022年)55.0150.9194.2849.92FCN(32 s)(Sun等人, 2021年)66.6060.0899.2766.94MDFU-Net(拟议)82.9674.9499.8968.05现有的模型与我们提出的一个使用同质和异构数据集。比较分析结果(表4)表明,我们的模型优于第二好的方法(Ahuja等人,2021年;Chen 等 人 , 2018 年 ) 在 DC , IoU 和 Spe 方 面 , 业 绩 分别增 长5.77%,6.17%和0.26%。然而,通过我们的模型获得的Sen比第二好的方法低12.98%(Ahuja 等人,2021年; Chen等人, 2018年)。这种减少是由于我们的模型预测的大量FN表5 示出了MDFU-Net 和其他现有技术模型的比较性能评估(Ahuja等人,2021;Akbar等人,2022; Alqazzaz等人,2019年;Chen等人,2018; Henry等人,2021; Liu等人,2022; Sun等人,2021)用于异构数据集分析,而不使用预处理步骤。比较分析结果(表5)表明,我们的模型优于第二好的方法(Ahuja等人,2021年; Chen等人, 2018年)在DC方面,业绩涨幅为0.76%。然而,我们的模型在IoU、Spe和表5我们提出的MDFU-Net与各种最先进的模型的异构大脑数据集的比较性能分析,无需预处理(单位:%)。研究DCIOUSPE森DeepLabV3+(ResNet18)(Ahuja等人, 2021年)50.5949.6798.586.2DeepLabV3+(ResNet50)(Ahuja等人,2021年; Chen等人, 2018年)53.4851.2898.8021.07DeepLabV3+(MobileNetV2)(Ahuja等人, 2021年)51.3450.2198.997.78SegNet(VGG16)(Alqazzaz等人,2019年度)49.2748.5597.368.30U-Net(Akbar等人,2022; Henry等人,2021; Liu等人, 2022年)46.0341.1681.0588.49FCN(32 s)(Sun等人, 2021年)50.7950.1499.582.42MDFU-Net(拟议)54.2451.0796.9463.21H. 苏丹,M。Owais,S.H.Nam等沙特国王大学学报9Sen分别比第二好的模型低0.21%、2.64%和25.28我们的模型的这些不足之处,通过在我们提出的模型中引入预处理步骤来缓解。表6示出了 MDFU-Net 和其他现有技术模型的比较性能评估(Ahuja等人,2021;Akbar等人,2022; Alqazzaz等人,2019年;Chen等人,2018; Henry等人,2021; Liu等人,2022; Sun等人,2021)用于使用预处理步骤的异构数据集分析。比较分析结果(表6)表明,我们的模型明显优于最先进的方法。 我们的模型优于第二好的方法(Akbar等人,2022年; Chen等人,2018;Henry等人,2021; Liu等人,2022年)在DC,IoU和Sen方面的表现分别为9.22%,5.3%和34.24%。然而,我们的模型得到的Spe比最先进的方法略低这种减少是由于我们的模型预测的大量FP像素,
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功