Automated 3D U‐Net Framework for Brain Tumor Segmentation and Classification with Insights Into AI‐Driven Cancer Research Applications
Notice bibliographique
Résumé
The delineation and classification of brain tumors are essential in medical image processing. Physicians are required to manually delineate brain tumors on various MRI images, a perplexing task. Automating the sorting and classification of brain tumor images is essential. Utilizing 3D automated brain MRI (3D-ABM) images for the segmentation and classification of brain tumors is essential in Computer-Aided Design. These complications occur due to the variability in the presence of brain tumors and the lack of clarity in Magnetic resonance imaging. Given the interrelation between tumor segmentation and classification, concurrently learning both tasks may enhance performance in each. This chapter introduces a distinctive multi-task deep learning model that delineates and categorizes tumors in 3D-ABM images. The architecture employed in this context comprises of two distinct networks: a recurrent neural network that performs up-and down-sampling for segmentation, and a multi-scale feature extraction network that is efficient and uncomplicated for classification. Our approach utilizes an iterative training process to enhance feature maps by incorporating probabilistic maps obtained from earlier rounds. This enables us to accurately identify tumors with ambiguous boundaries in 3D-ABM images. The empirical findings suggest that a multi-task deep learning model outperforms single-task learning models in both tumor segmentation and classification. The prototypical was assessed using a medical dataset of 619 3D-ABM images obtained from 550 patients. The database has 258 occurrences of tumor absence, 133 instances of reduced Glioblastoma, and 228 instances of raised Glioblastoma. The prototypical achieved a dice coefficient of 0.92, Jaccard Index of 0.90, and Mathews Correlation coefficient of 0.45 for the entire tumor region.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».