- Топологическая оптимизированная сверточная визуальная рекуррентная сеть для сегментации и классификации опухолей головного мозга(arXiv)
Автор: Дхананджай Джоши, Капил Кумар Нагванши, Нитин С. Чуби, Навин Сингх Раджпут.
Аннотация. В современном мире здравоохранения обнаружение опухоли головного мозга (ОО) стало обычным явлением. Однако ручная классификация БТ требует много времени и доступна только в нескольких диагностических центрах. Таким образом, глубокая сверточная нейронная сеть (DCNN) представлена в области медицины для постановки точных диагнозов и помощи в лечении пациента перед операцией. Но у этих сетей есть проблемы, такие как переоснащение и невозможность извлечь необходимые признаки для классификации. Чтобы преодолеть эти проблемы, мы разработали модели TDA-IPH и Convolutional Transfer Learning, а также визуального рекуррентного обучения с настройкой гиперпараметров Elephant Herding Optimization (CTVR-EHO) для сегментации и классификации BT. Первоначально улучшенная постоянная гомология на основе топологического анализа данных (TDA-IPH) предназначена для сегментации изображения BT. Затем из сегментированного изображения функции извлекаются одновременно с использованием TL через модель AlexNet и двунаправленную визуальную долговременную кратковременную память (Bi-VLSTM). Elephant Herding Optimization (EHO) используется для настройки гиперпараметров обеих сетей для получения оптимального результата. Наконец, извлеченные функции объединяются и классифицируются с использованием слоя активации softmax. Результат моделирования этого предложенного метода CTVR-EHO и TDA-IPH анализируется на основе некоторых показателей, таких как прецизионность, достоверность, полнота, потеря и показатель F. По сравнению с другими существующими моделями сегментации и классификации BT предлагаемые подходы CTVR-EHO и TDA-IPH демонстрируют высокую точность (99,8%), высокую полноту (99,23%), высокую точность (99,67%) и высокий показатель F (99,59%). ).
2.TBraTS: доверенная сегментация опухолей головного мозга(arXiv)
Автор: Кэ Цзоу, Сюэдун Юань, Сяоцзин Шэнь, Мэн Ван, Хуачжу Фу
Вывод:несмотря на недавние улучшения в точности сегментации опухолей головного мозга, результаты по-прежнему демонстрируют низкий уровень достоверности и надежности. Оценка неопределенности является одним из эффективных способов изменить эту ситуацию, поскольку она обеспечивает меру уверенности в результатах сегментации. В этой статье мы предлагаем надежную сеть сегментации опухоли головного мозга, которая может генерировать надежные результаты сегментации и надежные оценки неопределенности без чрезмерной вычислительной нагрузки и модификации магистральной сети. В нашем методе неопределенность моделируется в явном виде с использованием теории субъективной логики, которая рассматривает прогнозы магистральной нейронной сети как субъективные мнения путем параметризации вероятностей класса сегментации как распределения Дирихле. Между тем, доверенная структура сегментации изучает функцию, которая собирает надежные доказательства из функции, что приводит к окончательным результатам сегментации. В целом, наша унифицированная доверенная структура сегментации придает модели надежность и устойчивость к образцам, не входящим в дистрибутив. Чтобы оценить эффективность нашей модели с точки зрения надежности и надежности, на наборе данных BraTS 2019 проводятся качественные и количественные эксперименты.
3.Постоянная и эффективная в вычислениях система CNN для высококачественной автоматизированной сегментации опухолей головного мозга(arXiv)
Автор:Цзюньчэн Тонг, Чуньян Ван
Аннотация: Исследования по разработке полностью автоматизированных систем сегментации опухолей головного мозга на основе CNN быстро продвигаются. Чтобы системы можно было применять на практике, необходимо быстро продвигаться вперед в разработке полностью автоматизированных систем сегментации опухолей головного мозга на основе CNN. Чтобы системы можно было применять на практике, необходимо хорошее качество обработки и надежность. Более того, для широкого применения таких систем желательна минимизация сложности вычислений, что также может привести к минимизации случайности в вычислениях и, следовательно, к лучшей согласованности производительности. С этой целью CNN в предлагаемой системе имеет уникальную структуру с двумя выделенными символами. Во-первых, три пути его блока извлечения признаков предназначены для извлечения из мультимодальных входных данных исчерпывающей информации о признаках данных мономодальности, парной модальности и кроссмодальности соответственно. Кроме того, он имеет специальный блок классификации с тремя ветвями для идентификации пикселей 4 классов. Каждая ветвь обучается отдельно, так что параметры обновляются специально с соответствующими наземными данными целевых областей опухоли. Слои свертки системы специально разработаны для конкретных целей, в результате чего получается очень простая конфигурация из 61 843 параметров. Предлагаемая система тщательно протестирована с наборами данных BraTS2018 и BraTS2019. Средние баллы Dice, полученные в результате десяти экспериментов с проверочными образцами BraTS2018, составляют 0,787+0,003, 0,886+0,002, 0,801+0,007 для усиления опухоли, всей опухоли и ядра опухоли соответственно и 0,751+0,007, 0,885+0,002, 0,776. +0,004 на BraTS2019. Результаты тестирования показывают, что предложенная система способна последовательно выполнять высококачественную сегментацию. Кроме того, его чрезвычайно низкая вычислительная сложность облегчит его реализацию/применение в различных средах.
