Verwendung von 3D U-Net zur Segmentierung von Gehirntumoren aus Magnetresonanztomographie-Bildern

Gehirntumoren im Schädel können zu schweren Gesundheitsproblemen führen. Die schnelle und genaue Erkennung und Segmentierung von Tumorregionen ermöglicht es Patienten, frühzeitig eine geeignete Behandlung zu erhalten, was ihre Chancen auf Genesung und Überleben erhöht. Verschiedene medizinische Bildgebungsverfahren, wie Magnetresonanztomographie (MRT), Positronen-Emissionstomographie (PET) und Computertomographie (CT), werden zur Erkennung von Gehirntumoren eingesetzt. Heutzutage werden mit fortschreitender Technologie und Hardware Konzepte wie künstliche Intelligenz und Deep Learning (DL) immer beliebter. Viele Methoden der künstlichen Intelligenz werden auch in Studien zur Segmentierung von Gehirntumoren genutzt. Dieses Papier schlägt ein 3D U-Net DL-Modell zur Segmentierung von Gehirntumoren vor. Der Trainings- und Testprozess wird an dem Brain Tumour Segmentation (BraTS) 2020 Datensatz durchgeführt, der in der Literatur weit verbreitet ist. Infolgedessen wird ein Intersection over Union (IoU) Wert von 0,81, ein Dice-Score von 0,87 und eine Pixelgenauigkeit von 0,99 erreicht. Das vorgeschlagene Modell hat das Potenzial, Experten bei der Diagnosestellung der Erkrankung und der Entwicklung geeigneter Behandlungspläne zu unterstützen, dank seiner Fähigkeit, Gehirntumoren schnell und mit hoher Genauigkeit zu segmentieren.