[1]刘　洁　周明霞　李　敏　王志伟　马金凤　朱　红.基于Unet的多模态脑胶质瘤病灶自动获取模型[J].大众科技,2021,23(11):21-24.
　Automated Acquisition Model of Multimodal Glioma Lesions Based on Unet[J].Popular Science & Technology,2021,23(11):21-24.
点击复制

基于Unet的多模态脑胶质瘤病灶自动获取模型()
分享到：

《大众科技》[ISSN:1008-1151/CN:45-1235/N]

卷:
23
期数:
2021年11
页码:
21-24
栏目:
信息技术与通信
出版日期:
2021-11-20

文章信息/Info

Title:
Automated Acquisition Model of Multimodal Glioma Lesions Based on Unet
作者:
刘　洁　周明霞　李　敏　王志伟　马金凤　朱　红　
（徐州医科大学医学信息与工程学院，江苏 徐州 221000）
关键词:
深度学习; Unet; 脑胶质瘤分割; Brats2017数据集
Keywords:
deep learning Unet glioma segmentation Brats2017 dataset
文献标志码:
A
摘要:
针对脑胶质瘤分割困难，医生工作量大并且人工勾画的准确性高度依赖医生的经验，存在不能保证勾画的准确率等问题，文章提出了基于Unet的多模态脑胶质瘤病灶自动获取模型，实现对脑肿瘤的精准分割。首先根据Unet网络架构构建脑胶质瘤病灶自动获取模型，然后对不同模态的图像进行数据扩增和标准化处理后，作为网络的输入，使用dice loss来进行训练，最终得到多模态脑胶质瘤自动获取模型。实验结果显示，在Brats2017多模态脑胶质瘤数据集中，1-dice总体呈现递减，hard-dice和iou不断增加，实验效果良好。
Abstract:
Aiming at the problems that glioma segmentation is difficult, doctors have a large workload, and the accuracy of manual sketching highly depends on doctors experience, which can not guarantee the accuracy of sketching, this paper proposes a multimodal glioma lesion automatic acquisition model based on Unet to realize the accurate segmentation of brain tumors. Firstly, the automatic acquisition model of glioma lesions is constructed according to the Unet network architecture, and then the data of different modal images are amplified and standardized. As the input of the network, dice loss is used for training, and finally the multimodal automatic acquisition model of glioma is obtained. The experimental results show that in Brats2017 multimodal glioma data set, 1-dice generally decreases, hard-dice and iou continue to increase, and the experimental effect is good.

参考文献/References:

[1] 王伟进，张晓路. 中国癌症的现状与疾病负担[J]. 中国经济报告，2019(4): 63-73. [2] 谢幸，沈源明. 妇科肿瘤的防治现状与面临的挑战[J]. 中国实用妇科与产科杂志，2020，36(1): 20-22. [3] 黄若菡. 脑肿瘤的计算机辅助检测[D]. 成都: 电子科技大学，2016. [4] 张朋. 基于MRI的脑肿瘤图像分割研究[D]. 杭州: 浙江理工大学，2017. [5] 刘瑞. 基于多模态MRI图像的脑肿瘤分割方法[D]. 成都: 电子科技大学，2017. [6] 童云飞. MRI图像的脑肿瘤分割算法研究[D]. 天津: 天津大学，2018. [7] 许慧敏. 基于深度学习U-Net模型的高分辨率遥感影像分类方法研究[D]. 成都: 西南交通大学，2018. [8] 童云飞. MRI图像的脑肿瘤分割算法研究[D]. 天津: 天津大学，2018. [9] 卓俊宇. 基于卷积神经网络的模型在医学图像中的应用研究[D]. 兰州: 西北师范大学，2018.

相似文献/References:

[1]杨秀霞 陆巍巍 张 毅 闫 实.深度学习视域下研究生学科基础课程应用型教学改革探索[J].大众科技,2021,23(7):100.
　Exploration on the Applied Teaching Reform of the Basic Courses of Postgraduate Subject from the Perspective of Deep Learning[J].Popular Science & Technology,2021,23(11):100.
[2]潘俊霖.轻量化卷积神经网络的人脸识别方法[J].大众科技,2022,24(06):18.
　Face Recognition Method Based on Lightweight Convolutional Neural Network[J].Popular Science & Technology,2022,24(11):18.
[3]王曾龙　蒋勇勇 彭海峰 杨　钰 段元梅 郭宜娟　王林惠.一种基于Faster-RCNN的棉花虫害识别与统计方法[J].大众科技,2023,25(5):5.
　A Method for Cotton Pests Identification and Statistics Based on Faster-RCNN[J].Popular Science & Technology,2023,25(11):5.
[4]方丹娜 黄国航 冯振俭 冯博超 高 睿.基于地理信息系统的无人机航飞影像地物识别样本库建设技术研究[J].大众科技,2023,25(11):1.
　Research on the Construction Technology of a Sample Library for UAV Aerial Image Ground-Object Recognition Based on Geographic Information System[J].Popular Science & Technology,2023,25(11):1.

备注/Memo

备注/Memo:
【收稿日期】2021-09-22 【基金项目】2020年大学生创新计划项目（202010313014Z）；2019年度江苏省高等教育教改研究课题“‘智能医学’背景下医学院校信息技术公共课程群改革探索”（2019JSJG341）；基础医学国家级实验教学示范中心（徐州医科大学）资助项目。 【作者简介】刘洁（1999－），女，江苏连云港人，徐州医科大学医学信息与工程学院学生，研究方向为人工智能与深度学习。 【通信作者】朱红（1970－），女，江苏徐州人，徐州医科大学医学信息与工程学院教授，博士，研究方向为人工智能与深度学习。
更新日期/Last Update: 2022-02-14