Phân đoạn ảnh cộng hưởng từ u não sử dụng thuật toán Res-UNet cải tiến

Abstract

This paper presents a Res-UNet-based deep learning architecture that incorporates residual learning, an attention mechanism, and dilated convolutions to improve boundary preservation and feature representation in medical images. The model was trained and evaluated using an MRI dataset containing 3,929 images. Experimental results indicate that the proposed approach provides better segmentation performance compared with several existing methods, including traditional U-Net, Fuzzy C-Means (FCM), Attention U-Net, UNet++, SegNet, Swin-UNet, TransUNet, and nnUNet. The model achieved BF = 98.0%, SSIM = 99.2%, ACC = 99.7%, Dice coefficient = 86.6%, and IoU = 76.6%. Furthermore, tumor presence classification based on the generated segmentation labels reached an accuracy of 99.7% on the test set. These findings suggest that the proposed architecture is a promising approach for medical image analysis.

Tóm tắt

Trong nghiên cứu này, một kiến trúc mạng học sâu Res-UNet cải tiến, tích hợp quá trình học phần dư, cơ chế chú ý và tích chập giãn đã được đề xuất nhằm nâng cao khả năng bảo toàn biên và biểu diễn các đặc trưng của ảnh. Mô hình đề xuất được huấn luyện và đánh giá trên bộ dữ liệu MRI gồm 3.929 ảnh. Kết quả thực nghiệm cho thấy phương pháp đề xuất đạt quả phân đoạn tốt hơn so với một số thuật toán khác bao gồm U-Net truyền thống, Fuzzy C-Means (FCM), Attention U-Net, UNet++, SegNet, Swin-UNet, TransUNet và nnUNet, với BF = 98,0%, SSIM = 99,2%, ACC = 99,7%, Dice coefficient = 86,6% và IoU = 76,6%. Ngoài ra, kết quả nghiên cứu cũng đã giúp phân loại sự hiện diện của khối u dựa trên nhãn phân đoạn đạt độ chính xác 99,7% trên tập kiểm tra. Những kết quả này khẳng định hiệu quả của mô hình đề xuất và các ứng dụng trong phân tích ảnh y tế.