Повышение точности в сегментации множественных склерозов: подход к машинному обучению на основе U-net с увеличением данных.

Сегментирование множественных склерозов (MS) на основе данных о магнитной резонации (MRI) представляет собой серьезную проблему, обусловленную необходимостью в больших объемах данных о подготовке кадров и сложном процессе подготовки. Традиционные наборы данных по МРТ часто не имеют обширных размеров выборки, необходимых для эффективной подготовки кадров, что требует изучения альтернативных методов точной сегментации. В этом исследовании предлагается надежный алгоритм машинного обучения, предназначенный для выявления повреждений MS с использованием данных MRI в одном и том же и мультимодальном режиме. Предлагаемый алгоритм предусматривает использование " Convolutional Neural Networks " (CNNs) в виде архитектуры U-Net, известной модели сегментации биомедицинских изображений. Для решения проблемы недостаточности данных о профессиональной подготовке были внедрены методы повышения качества данных, что позволило расширить разнообразие и увеличить объем набора учебных материалов. Набор данных для этого исследования был разработан на основе данных МРТ по 20 предметам. Эффективность алгоритма оценивалась с использованием оценки DSC, статистического инструмента, измеряющего сходство двух образцов. В рамках этой модели был достигнут показатель ДСК в размере 0,7960 долл. США в комплекте учебных материалов и 0,7912 долл. США в испытательном наборе, что свидетельствует о ее эффективности в проведении сегментации НР на основе мультимодальных данных МРИ. Прогнозируемые места поражения MS сравнивались с соответствующими слоями белой материи, серой материи и цереброспинной жидкости в мозге. Этот новаторский подход направлен на повышение точности и эффективности сегментации MS-повреждения, что способствует прогрессу в области точной медицины и общему пониманию MS.