Framework to Segment and Evaluate Multiple Sclerosis Lesion in MRI Slices Using VGG-UNet.
Framework to Segment and Evaluate Multiple Sclerosis Lesion in MRI Slices Using VGG-UNet.
复制标题
DOI：
10.1155/2022/4928096
复制
发表时间：
2022
影响因子：
--
通讯作者：
中科院分区：
文献类型：
--
作者：
多发性硬化症(MS)是一种自身免疫性疾病，会导致中枢神经系统(CNS)出现轻微到严重的问题。早期发现和治疗是必要的，以减少疾病对个人的严重度。该工作旨在实现一种卷积神经网络(CNN)分割方案来提取2D脑MRI切片中的MS病变。为了实现更好的MS检测，本工作实现了VGG-UNET方案，其中将预先训练的VGG19作为编码部分。在30幅患者图像(600幅图像，维度为512×512×3像素)上进行了实验，实验结果表明，与传统的图像分割算法、SegNet算法、VGG-UNET算法和VGG-SegNet算法相比，该算法具有更好的分割效果。在FLAIR的横断面、冠状面和矢状面2D切片上进行的实验研究证实，这项工作提供了更好的Jaccard(>；85%)、Dice(>；92%)和准确性(>；98%)。
Multiple sclerosis (MS) is an autoimmune disease that causes mild to severe issues in the central nervous system (CNS). Early detection and treatment are necessary to reduce the harshness of the disease in individuals. The proposed work aims to implement a convolutional neural network (CNN) segmentation scheme to extract the MS lesion in a 2D brain MRI slice. To achieve a better MS detection, this work implemented the VGG-UNet scheme in which the pretrained VGG19 is considered as the encoder section. This scheme is tested on 30 patient images (600 images with dimension 512 × 512 × 3 pixels), and the experimental outcome confirms that this scheme provides a better result compared to traditional UNet, SegNet, VGG-UNet, and VGG-SegNet. The experimental investigation implemented on axial, coronal and sagittal plane 2D slices of Flair modality confirms that this work provides a better value of Jaccard (>85%), Dice (>92%), and accuracy (>98%).
登录
查看更多内容
影响因子：
11.2
作者：
Bischof A;Papinutto N;Keshavan A;Rajesh A;Kirkish G;Zhang X;Mallott JM;Asteggiano C;Sacco S;Gundel TJ;Zhao C;Stern WA;Caverzasi E;Zhou Y;Gomez R;Ragan NR;Santaniello A;Zhu AH;Juwono J;Bevan CJ;Bove RM;Crabtree E;Gelfand JM;Goodin DS;Graves JS;Green AJ;Oksenberg JR;Waubant E;Wilson MR;Zamvil SS;University of California, San Francisco MS-EPIC Team;Cree BAC;Hauser SL;Henry RG
通讯作者：
Henry RG
影响因子：
3.5
作者：
Zeng C;Gu L;Liu Z;Zhao S
通讯作者：
Zhao S
影响因子：
1.1
作者：
Rajinikanth, Venkatesan;Kadry, Seifedine;Nam, Yunyoung
通讯作者：
Nam, Yunyoung
影响因子：
3.7
作者：
Dunn N;Kharlamova N;Fogdell-Hahn A
通讯作者：
Fogdell-Hahn A
影响因子：
2.7
作者：
Shi, Jiyuan;Dang, Ji;Suzuki, Yasuhiro
通讯作者：
Suzuki, Yasuhiro