Key points are not available for this paper at this time.
गहन शिक्षण मॉडल जैसे परिसंवेदनात्मक न्यूरल नेटवर्क को 3D बायोमेडिकल विभाजन में व्यापक रूप से उपयोग किया गया है और यह उत्कृष्ट प्रदर्शन प्राप्त करते हैं। हालांकि, उनमें से अधिकांश अक्सर एकल मोडालिटी को अपनाते हैं या विभिन्न इनपुट चैनलों के रूप में कई मोडालिटी को स्टैक करते हैं, जो उनके बीच के सहसंबंधों की अनदेखी करते हैं। मल्टी-मोडालिटीज का लाभ उठाने के लिए, हम फ़्यूज़न परतों के साथ एक गहरा परिसंवेदन एन्कोडर-डिकोडर निर्माण का प्रस्ताव करते हैं ताकि MRI डेटा की विभिन्न मोडालिटी को शामिल किया जा सके। इसके अलावा, हम 2D स्लाइस के अनुक्रम को मॉडल करने के लिए परिसंवेदनात्मक LSTM (convLSTM) का उपयोग करते हैं, और अंत-से-अंत तरीके से मल्टी-मोडालिटीज और convLSTM को संयुक्त रूप से सीखते हैं। निश्चित लेबलों पर समेकित होने से बचने के लिए, हम लेबल असंतुलन को संभालने के लिए एक पुनः-भारन योजना और दो चरणों का प्रशिक्षण अपनाते हैं। BRATS-2015 13 पर प्रयोगात्मक परिणाम दर्शाते हैं कि हमारा तरीका उत्कृष्ट बायोमेडिकल विभाजन दृष्टिकोणों से बेहतर प्रदर्शन करता है।
Tseng et al. (Sat,) ने इस प्रश्न का अध्ययन किया।