D-UNet: ein dimensionsfusions-basierter U-förmiges Netzwerk zur Segmentierung chronischer Schlaganfalllesionen

Die Bewertung der Lage und Ausdehnung von Läsionen, die durch einen chronischen Schlaganfall verursacht wurden, ist entscheidend für medizinische Diagnose, chirurgische Planung und Prognose. In den letzten Jahren zeigte die Encoder-Decoder-Struktur aufgrund der raschen Entwicklung von 2D- und 3D-Faltungsneuronalen Netzen (CNN) großes Potenzial im Bereich der medizinischen Bildsegmentierung. Allerdings ignorieren 2D-CNNs die 3D-Informationen von medizinischen Bildern, während 3D-CNNs hohe Anforderungen an Rechenressourcen stellen. In dieser Arbeit wird eine neue Architektur vorgeschlagen, die als Dimension-Fusion-UNet (D-UNet) bezeichnet wird und 2D- und 3D-Faltung innovativ im Codierungsstadium kombiniert. Die vorgeschlagene Architektur erreicht eine bessere Segmentierungslistung als 2D-Netze und benötigt im Vergleich zu 3D-Netzen erheblich weniger Rechenzeit. Zudem schlagen wir eine neue Verlustfunktion vor, die als Enhance Mixing Loss (EML) bezeichnet wird, um das Problem der Datenungleichgewichtigkeit zwischen positiven und negativen Stichproben bei der Netzwerkausbildung zu lindern. Diese Funktion fügt einen gewichteten Fokalkoeffizienten hinzu und kombiniert zwei traditionelle Verlustfunktionen. Die vorgeschlagene Methode wurde am ATLAS-Datensatz getestet und mit drei Stand-of-the-Art-Methoden verglichen. Die Ergebnisse zeigen, dass die vorgeschlagene Methode in Bezug auf DSC = 0,5349 ± 0,2763 und Präzision = 0,6331 ± 0,295 die beste Qualitätsleistung erzielt.