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
雪山飞龙发布了新的文献求助10
1秒前
蕉鲁诺蕉巴纳完成签到,获得积分10
3秒前
cheng发布了新的文献求助30
4秒前
5秒前
桐桐应助南栀采纳,获得10
5秒前
兴奋冷松完成签到,获得积分10
6秒前
顺利的曼寒完成签到 ,获得积分10
7秒前
cheng完成签到,获得积分10
14秒前
李新光完成签到 ,获得积分10
18秒前
18秒前
22秒前
22yh完成签到,获得积分10
23秒前
feng发布了新的文献求助10
28秒前
南栀发布了新的文献求助10
30秒前
薰硝壤应助科研通管家采纳,获得10
31秒前
InfoNinja应助科研通管家采纳,获得30
31秒前
ychao应助科研通管家采纳,获得10
31秒前
科研通AI2S应助科研通管家采纳,获得10
31秒前
ZJHYNL应助科研通管家采纳,获得10
32秒前
风中梦蕊完成签到 ,获得积分10
33秒前
刘洋完成签到 ,获得积分10
34秒前
blossoms完成签到 ,获得积分10
38秒前
yinshan完成签到 ,获得积分10
40秒前
lixinyue完成签到 ,获得积分10
42秒前
小鑫发布了新的文献求助10
45秒前
46秒前
GIPCY完成签到 ,获得积分10
49秒前
毛毛完成签到,获得积分10
50秒前
体贴的小翠完成签到,获得积分10
50秒前
玄同发布了新的文献求助30
51秒前
mm_zxh发布了新的文献求助10
52秒前
小高同学完成签到,获得积分10
55秒前
56秒前
zjzjzjzjzj完成签到 ,获得积分10
56秒前
柏林熊完成签到,获得积分10
1分钟前
老邱完成签到,获得积分10
1分钟前
Snow完成签到 ,获得积分10
1分钟前
大个应助xuan采纳,获得10
1分钟前
1分钟前
建丰完成签到,获得积分10
1分钟前
高分求助中
Sustainability in Tides Chemistry 1500
TM 5-855-1(Fundamentals of protective design for conventional weapons) 1000
Threaded Harmony: A Sustainable Approach to Fashion 799
Livre et militantisme : La Cité éditeur 1958-1967 500
Retention of title in secured transactions law from a creditor's perspective: A comparative analysis of selected (non-)functional approaches 500
"Sixth plenary session of the Eighth Central Committee of the Communist Party of China" 400
Introduction to Modern Controls, with illustrations in MATLAB and Python 310
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 3056640
求助须知:如何正确求助?哪些是违规求助? 2713111
关于积分的说明 7434713
捐赠科研通 2358205
什么是DOI,文献DOI怎么找? 1249317
科研通“疑难数据库(出版商)”最低求助积分说明 607030
版权声明 596250