BAFUNet: гібридна U-Net для сегментації МРТ-зображень хребта
DOI:
https://doi.org/10.18372/1990-5548.82.19365Ключові слова:
гібридна архітектура нейронної мережі, згорткова нейронна мережа, U-Net, сегментація зображень, МРТ хребтаАнотація
В роботі представлено розробку гібридної архітектури нейронної мережі BAFUNet, призначеної для сегментації МРТ-зображень хребта в контексті медичної діагностики. Архітектура заснована на класичній мережі U-Net, і включає модуль розширеного просторового пірамідального об’єднання у вузькому місці та двораундовий модуль злиття у пропускних з’єднаннях для вирішення таких проблем, як різні масштаби об’єктів і нечіткі межі на медичних зображеннях. У роботі описано дизайн запропонованої архітектури BAFUNet, її реалізацію та експериментальні результати. Було проведено порівняльний аналіз із класичною U-Net і ResUNet++, що продемонструвало зв’язок між запропонованими архітектурними вдосконаленнями та ефективністю сегментації. Оцінку було проведено за допомогою коефіцієнту подібності Дайса та індексу Жаккара на наборі даних SPIDER – загальнодоступному наборі даних магнітно-резонансної томографії поперекового відділу хребта. Результати показують, що архітектура BAFUNet досягає незначного, але постійного покращення продуктивності сегментації, із збільшенням середнього коефіцієнту Дайса на 0,003–0,005 порівняно з базовими моделями, що підкреслює потенційну можливість її застосування в автоматизованій медичній діагностиці.
Посилання
R. Azad et al., “Medical Image Segmentation Review: The Success of U-Net,” IEEE Transactions on Pattern Analysis and Machine Intelligence, 2024. https://doi.org/10.1109/TPAMI.2024.3435571
S. Guinebert et al., “Automatic semantic segmentation and detection of vertebras and intervertebral discs by neural networks,” Computer Methods and Programs in Biomedicine Update, vol. 2, p. 100055, 2022. https://doi.org/10.1016/j.cmpbup.2022.100055
D. Zhang, B. Chen, and S. Li, “Sequential conditional reinforcement learning for simultaneous vertebral body detection and segmentation with modeling the spine anatomy,” Medical Image Analysis, vol. 67, p. 101861, 2021. https://doi.org/10.1016/j.media.2020.101861
J. Huang et al., “Spine Explorer: a deep learning based fully automated program for efficient and reliable quantifications of the vertebrae and discs on sagittal lumbar spine MR images,” The Spine Journal, vol. 20, no. 4, pp. 590–599, 2020. https://doi.org/10.1016/j.spinee.2019.11.010
O. Ronneberger, P. Fischer, and T. Brox, “U-net: Convolutional networks for biomedical image segmentation,” in Medical image computing and computer-assisted intervention--MICCAI 2015: 18th international conference, Munich, Germany, October 5-9, 2015, proceedings, part III 18, 2015, pp. 234–241. https://doi.org/10.1007/978-3-319-24574-4_28
M. Buda, A. Saha, and M. A. Mazurowski, “Association of genomic subtypes of lower-grade gliomas with shape features automatically extracted by a deep learning algorithm,” Computers in biology and medicine, vol. 109, pp. 218–225, 2019. https://doi.org/10.1016/j.compbiomed.2019.05.002
Z. Zhang, C. Wu, S. Coleman, and D. Kerr, “DENSE-INception U-net for medical image segmentation,” Computer methods and programs in biomedicine, vol. 192, p. 105395, 2020. https://doi.org/10.1016/j.cmpb.2020.105395
Z. Li, H. Lyu, and J. Wang, “FusionU-Net: U-Net with Enhanced Skip Connection for Pathology Image Segmentation,” in Asian Conference on Machine Learning, 2024, pp. 694–706. https://doi.org/10.48550/arXiv.2310.10951
Z. Wang, Y. Zou, and P. X. Liu, “Hybrid dilation and attention residual U-Net for medical image segmentation,” Computers in biology and medicine, vol. 134, p. 104449, 2021. https://doi.org/10.1016/j.compbiomed.2021.104449
D. Jha et al., “ResUNet++: An Advanced Architecture for Medical Image Segmentation,” 2019, IEEE International Symposium on Multimedia (ISM), San Diego, CA, USA, 2019, pp. 225–2255. https://doi.org/10.1109/ISM46123.2019.00049
B. Wang, F. Wang, P. Dong, and C. Li, “Multiscale TransUNet++: dense hybrid u-net with transformer for medical image segmentation,” Signal, Image and Video Processing, vol. 16, no. 6, pp. 1607–1614, 2022. https://doi.org/10.1007/s11760-021-02115-w
J. W. van der Graaf et al., “Lumbar spine segmentation in MR images: a dataset and a public benchmark,” Scientific Data, vol. 11, no. 1, p. 264, 2024. https://doi.org/10.1038/s41597-024-03090-w
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Authors who publish with this journal agree to the following terms:
Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).
