Scientific Reports· 2026Q1
AMF-U-Net: Sınır Farkındalığı Olan Beyin Tümörü Segmentasyonu için Uyarlanabilir Çok Modlu Füzyon Artık Dikkat 3D U-Net
AMF-U-Net: an adaptive multimodal fusion residual attention 3D U-Net for boundary-aware brain tumour segmentation
- 0atıf
- Q1SCImago
- 2026yıl
Kısa özet
AMF-U-Net, çok modlu MRI kullanarak beyin tümörü segmentasyonu için 0.815 makro-ortalama Dice skoru elde eden yeni bir 3D U-Net modelidir ve örtüşme ve sınır doğruluğunda mevcut yöntemlerden daha iyi performans gösterir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- AMF-U-Net, T1, T1ce, T2 ve FLAIR MRI taramalarından gelen özellikleri uyarlanabilir bir şekilde birleştirmek için modele özgü kodlayıcılar ve bir Modality Füzyon Modülü kullanır.
- Artık bağlantılar ve dikkat kapıları eğitim kararlılığını ve sınır yeniden yapılandırma doğruluğunu artırır.
- Hibrit bir kayıp fonksiyonu (Dice + Kategorik Çapraz Entropi), sınıf dengesizliği ve bölgesel örtüşme sorunlarını ele alır.
- Uyumlu veri kümeleri üzerinde yapılan iç doğrulama, 0.845 (WT), 0.813 (TC) ve 0.788 (ET) Dice skorları ve 0.815 makro-ortalaması elde etti.
- AMF-U-Net, segmentasyon örtüşmesi ve sınır mesafesi metriklerinde 3D U-Net, nnU-Net, UNETR ve Swin UNETR'den daha iyi performans gösterdi.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Precise 3D segmentation of brain tumors based on multi-modal magnetic resonance images(MRI) is challenging due to intensity heterogeneity within tumor sub-regions, irregular tumor boundaries, extreme unbalanced class distribution at the voxel level and acquisition variability. This study introduces AMF-U-Net, a multi-stream residual 3D U-Net model, which takes T1, contrast-enhanced T1 (T1ce), T2 and FLAIR images as input and goes through four separate encoders for modality-specific feature extraction. For each scale level in encoders, The proposed system used the Modality Fusion Module, which computes softmax-normalised modality importance weights and fuses modality-specific features before forwarding them to attention-guided decoders. Residual connections make training more stable, while attention gates suppress irrelevant skip connection activations and help to reconstruct boundaries. Hybrid class weight-balanced Dice and Categorical Cross Entropy loss handle regional overlap and class imbalance issues. Brain Tumor Segmentation 2023 and UCSF-PDGM datasets have been harmonised using modality mappings, spatial normalisation, source-aware patient-level split and label transformation to mutually exclusive background, necrotic/non-enhancing tumor, oedema and enhancing tumor classes. For the internal validation cohort, AMF-U-Net yielded Dice scores of 0.845, 0.813 and 0.788 for WT, TC and ET, respectively, which equate to a macro-average Dice score of 0.815 on the region level. When compared with same-split results of 3D U-Net, nnU-Net, UNETR, and Swin UNETR, the proposed method provided better performance in terms of overlap and distance from the boundary. Hence, the contribution here should be regarded as the combination of all three innovations, and not just as the introduction of the individual innovations.
Yazarların özeti; kaynağından alınmıştır. Scientific Reports, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Nöroloji (Sinirbilim)
NeurologyNeuroscience