Brain tumor segmentation in MRI with multi-modality spatial information enhancement and boundary shape correction

模态(人机交互) 分割 人工智能 计算机视觉 边界(拓扑) 计算机科学 模式识别(心理学) 图像分割 磁共振成像 数学 医学 放射科 数学分析
作者
Zhiqin Zhu,Ziyu Wang,Guanqiu Qi,Neal Mazur,Pan Yang,Yu Liu
出处
期刊:Pattern Recognition [Elsevier]
卷期号:: 110553-110553 被引量:7
标识
DOI:10.1016/j.patcog.2024.110553
摘要

Brain tumor segmentation is currently of a priori guiding significance in medical research and clinical diagnosis. Brain tumor segmentation techniques can accurately partition different tumor areas on multi-modality images captured by magnetic resonance imaging (MRI). Due to the unpredictable pathological process of brain tumor generation and growth, brain tumor images often show irregular shapes and uneven internal gray levels. Existing neural network-based segmentation methods with an encoding/decoding structure can perform image segmentation to some extent. However, they ignore issues such as differences in multi-modality information, loss of spatial information, and under-utilization of boundary information, thereby limiting the further improvement of segmentation accuracy. This paper proposes a multimodal spatial information enhancement and boundary shape correction method consisting of a modality information extraction (MIE) module, a spatial information enhancement (SIE) module, and a boundary shape correction (BSC) module. The above three modules act on the input, backbone, and loss functions of deep convolutional networks (DCNN), respectively, and compose an end-to-end 3D brain tumor segmentation model. The three proposed modules can solve the low utilization rate of effective modality information, the insufficient spatial information acquisition ability, and the improper segmentation of key boundary positions can be solved. The proposed method was validated on BraTS2017, 2018, and 2019 datasets. Comparative experimental results confirmed the effectiveness and superiority of the proposed method over state-of-the-art segmentation methods.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
1秒前
nipanpan完成签到,获得积分10
1秒前
1秒前
2秒前
Felixsun发布了新的文献求助10
6秒前
Cloud应助Tayzon采纳,获得20
6秒前
yw完成签到 ,获得积分20
7秒前
dmsoli完成签到,获得积分10
8秒前
orixero应助陈陈采纳,获得50
8秒前
可靠的咖啡完成签到,获得积分10
10秒前
彭于晏应助炙热若云采纳,获得10
10秒前
贪玩夜玉完成签到 ,获得积分10
13秒前
科研通AI2S应助hayk采纳,获得10
14秒前
沈薇3完成签到,获得积分20
15秒前
醉书生应助jssssssss采纳,获得20
16秒前
Felixsun完成签到,获得积分20
16秒前
18秒前
平安顺遂发布了新的文献求助10
18秒前
rare发布了新的文献求助20
19秒前
沈薇3发布了新的文献求助30
20秒前
科研通AI2S应助石头采纳,获得10
20秒前
陈陈完成签到,获得积分10
26秒前
菲菲公主完成签到,获得积分10
28秒前
芳芳子呀完成签到,获得积分10
28秒前
英姑应助joe采纳,获得10
29秒前
29秒前
Niuma发布了新的文献求助10
30秒前
30秒前
小二郎应助lilililili采纳,获得10
30秒前
寂寞的从波完成签到 ,获得积分10
30秒前
30秒前
32秒前
滴滴答答完成签到 ,获得积分10
32秒前
34秒前
墨白白发布了新的文献求助30
35秒前
伊利亚发布了新的文献求助30
35秒前
36秒前
37秒前
微笑诗蕊完成签到,获得积分10
37秒前
38秒前
高分求助中
Sustainability in Tides Chemistry 2800
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
Foreign Policy of the French Second Empire: A Bibliography 500
Chen Hansheng: China’s Last Romantic Revolutionary 500
XAFS for Everyone 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3143731
求助须知:如何正确求助?哪些是违规求助? 2795219
关于积分的说明 7813671
捐赠科研通 2451210
什么是DOI,文献DOI怎么找? 1304353
科研通“疑难数据库(出版商)”最低求助积分说明 627221
版权声明 601400