Resumen

La segmentacin de tumores cerebrales en imgenes mdicas es un paso crucial del tratamiento clnico. La segmentacin manual requiere mucho tiempo y trabajo, y los mtodos de segmentacin automtica existentes adolecen de numerosos parmetros y baja precisin. Para resolver estos problemas, este estudio propone un mtodo de segmentacin basado en la convolucin de grupos aprendibles que sustituye la convolucin en la etapa de extraccin de caractersticas por la convolucin de grupos aprendibles, reduciendo as el nmero de parmetros de la red convolucional y mejorando la comunicacin entre los grupos de convolucin. Para mejorar la utilizacin de los mapas de caractersticas, aadimos una estructura de conexin de salto entre los mdulos de convolucin de grupos aprendibles, lo que aument la precisin de la segmentacin. Utilizamos supervisin profunda para combinar las imgenes de salida en la etapa de salida de la red para reducir el sobreajuste y mejorar las capacidades de reconocimiento de la red. Probamos el modelo de algoritmo propuesto utilizando el conjunto de datos abierto BraTS 2018. Los resultados del experimento revelaron que el modelo propuesto es superior a 3D U-Net y DMFNet y tiene mejores resultados de segmentacin para ncleos tumorales que No New-Net y NVDLMED, los mtodos ganadores en el desafo BraTS 2018. La precisin de segmentacin del mtodo propuesto con respecto a tumores enteros, tumores en realce y ncleos tumorales fue del 90,25%, 80,36% y 86,20%. Adems, el mtodo propuesto utiliza menos parmetros y un modelo menos complejo.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Segmentación; Tumores cerebrales; Imágenes médicas; Segmentación automática; Convolución grupal aprendible; Supervisión profunda; Conjunto de datos BraTS 2018.
• Keywords:Segmentation; Brain tumors; Medical images; Automatic segmentation; Learnable group convolution; Deep supervision; BraTS 2018 dataset