Resumen

Para estudiar la influencia de diferentes secuencias de imágenes de resonancia magnética (IRM) en la segmentación de lesiones de carcinoma hepatocelular (CHC), se mejoró el U-Net. Además, se introdujo la red de fusión profunda (DFN), la estrategia de mejora de datos y la estrategia de datos aleatorios (RD), y se propuso un algoritmo de segmentación de imágenes de IRM multisequencia basado en DFN. Se diseñaron experimentos de segmentación de imágenes de IRM de secuencia única y de imágenes de IRM multisequencia, y se comparó el resultado de segmentación de imágenes de IRM de secuencia única con los del algoritmo de red neuronal convolucional (FCN). Además, también se diseñaron experimentos de RD y de entrada única. Se encontró que la sensibilidad (0.595 ± 0.145) y el DSC (0.587 ± 0.113) obtenidos por el U-Net mejorado fueron significativamente más altos que la sensibilidad (0.405 ± 0.098) y el DSC (0.

• Materias:Colonias de abejas artificiales Inteligencia artificial Patrón espacial Innovación de la comunicación Algoritmo de red neuronal
• Subjects:Artificial bee colonies Artificial intelligence Spatial pattern Communication innovation Neural network algorithm
• Palabras claves:Influencia; Segmentación; Imágenes de resonancia magnética; DFN; Multisequencia; Cáncer de hígado
• Keywords:Influence; Segmentation; MRI images; DFN; Multisequence; Liver cancer