利用 SeNet 与 ResNet 协同效应构建的编码器-解码器架构用于脑肿瘤检测
图像与视频处理
2024-09-04 v1 计算机视觉与模式识别
机器学习
摘要
脑肿瘤是一类会严重影响患者健康的异常情况，可能导致癌症等危及生命的疾病。这些肿瘤可引发多种症状，包括神经系统问题、认知功能障碍、运动和感觉功能缺失，以及情绪和行为改变。这些症状显著影响患者的生活质量，使得早期诊断和及时治疗变得至关重要，以防止症状进一步恶化。然而，从医学影像（尤其是 MRI 扫描）中准确分割肿瘤区域具有挑战性且耗时，需要放射科医生的专业知识。手动分割也容易出错。为此，本研究在编码器-解码器框架内整合 SeNet 与 ResNet 架构的协同优势，专为脑肿瘤检测与分割设计。该模型采用 SeResNet-152 作为主干网络，嵌入稳健的编码器-解码器结构，以增强特征提取并提高分割精度。该新方法显著减少对手动操作的依赖，提高了肿瘤识别的精确度。模型评估显示，Dice 系数达 87%，准确率为 89.12%，IoU 分数为 88%，平均 IoU 分数为 82%，充分展示了其在脑肿瘤分割复杂问题中的有效性。
引用
@article{arxiv.2409.00804,
title = {Leveraging SeNet and ResNet Synergy within an Encoder-Decoder Architecture for Glioma Detection},
author = {Pandiyaraju V and Shravan Venkatraman and Abeshek A and Pavan Kumar S and Aravintakshan S A},
journal= {arXiv preprint arXiv:2409.00804},
year = {2024}
}
备注
9 pages, 6 figures, 1 table