Brain Tumor Segmentation and Survival Prediction 使用深度神经网络

Brain Tumor Segmentation and Survival Prediction 使用深度神经网络

Brain-Tumor-Segmentation-and-Survival-Prediction-using-Deep-Neural-Networks Use of state of the art Convolutional neural network architectures including 3D UNet, 3D VNet and 2D UNets for Brain Tumor Segmentation and using segmented image features for Survival Prediction of patients through deep neural networks. 项目地址: https://gitcode.com/gh_mirrors/br/Brain-Tumor-Segmentation-and-Survival-Prediction-using-Deep-Neural-Networks

1. 项目基础介绍及主要编程语言

本项目是一个开源项目，旨在利用深度神经网络技术进行脑肿瘤分割及生存预测。项目主要采用Python编程语言，并使用Keras框架进行深度学习模型的构建和训练。

2. 项目的核心功能

本项目的主要功能包括：

• 脑肿瘤分割：通过3D U-Net、3D V-Net以及2D U-Net等先进的卷积神经网络架构，对多模态MRI图像进行分割，将图像中的像素分类为坏死、水肿、非增强肿瘤、增强肿瘤等类别。
• 生存预测：利用分割后的图像特征，结合患者年龄信息，通过深度神经网络模型预测患者的生存时间，将患者分为不同的生存时间类别。

3. 项目最近更新的功能

最近更新的功能包括：

• 模型优化：对3D U-Net和3D V-Net模型进行了优化，提高了分割的Dice得分。
• 三视角融合：创建了针对轴向、矢状和冠状三个二维视角的UNet模型，并对这三个模型进行了融合，以预测每个像素的标签，提高了分割的准确度。
• 生存预测模型更新：对生存预测模型进行了调整，通过卷积块提取与生存相关的特征，并与分割图像进行拼接，再结合患者年龄信息，最终通过全连接层进行分类，提高了模型的预测准确性。在测试数据上达到了51.07%的准确度，接近当前最先进技术水平。

Brain-Tumor-Segmentation-and-Survival-Prediction-using-Deep-Neural-Networks Use of state of the art Convolutional neural network architectures including 3D UNet, 3D VNet and 2D UNets for Brain Tumor Segmentation and using segmented image features for Survival Prediction of patients through deep neural networks. 项目地址: https://gitcode.com/gh_mirrors/br/Brain-Tumor-Segmentation-and-Survival-Prediction-using-Deep-Neural-Networks