Mask-Guided Attention U-Net for Enhanced Neonatal Brain Extraction and Image Preprocessing

要約

この研究では、精密な新生児脳イメージング用に U-net モデルを拡張する、新しいマスク誘導型注意ニューラル ネットワークである MGA-Net を紹介します。
MGA-Net は、他の構造から脳を抽出し、高品質の脳画像を再構成するように設計されています。
このネットワークは、共通のエンコーダと 2 つのデコーダを採用しています。1 つは脳マスク抽出用、もう 1 つは脳領域再構築用です。
MGA-Net の重要な機能は、高レベルのマスク誘導アテンション モジュールであり、ブレイン マスク デコーダの機能を利用して画像再構成を強化します。
同じエンコーダとデコーダで MRI と超音波 (US) 画像の両方を処理できるようにするために、MGA-Net は正弦波位置エンコーディングを統合しています。
このエンコードにより、MRI 画像と US 画像に個別の位置値が割り当てられ、モデルが両方のモダリティから効果的に学習できるようになります。
したがって、単一のモダリティから学習された特徴は、US などの利用可能なデータが少ないモダリティの学習に役立ちます。
私たちは、提案された MGA-Net を、さまざまな臨床設定および新生児年齢グループからの多様なデータセットで広範囲に検証しました。
評価に使用されるメトリクスには、DICE 類似性係数、再現率、画像セグメンテーションの精度が含まれます。
画像再構成のための構造的類似性。
3D 超音波画像からの総脳容積推定の二乗平均平方根誤差。
私たちの結果は、MGA-Net が従来の方法を大幅に上回り、画像再構成と体積分析で高精度を達成しながら、脳の抽出とセグメンテーションで優れたパフォーマンスを提供することを示しています。
したがって、MGA-Net は、MRI および 3D 超音波画像用の堅牢で効果的な前処理ツールとなり、新生児期以降の研究と臨床診断の両方を強化する神経画像処理の大幅な進歩を示します。

要約(オリジナル)

In this study, we introduce MGA-Net, a novel mask-guided attention neural network, which extends the U-net model for precision neonatal brain imaging. MGA-Net is designed to extract the brain from other structures and reconstruct high-quality brain images. The network employs a common encoder and two decoders: one for brain mask extraction and the other for brain region reconstruction. A key feature of MGA-Net is its high-level mask-guided attention module, which leverages features from the brain mask decoder to enhance image reconstruction. To enable the same encoder and decoder to process both MRI and ultrasound (US) images, MGA-Net integrates sinusoidal positional encoding. This encoding assigns distinct positional values to MRI and US images, allowing the model to effectively learn from both modalities. Consequently, features learned from a single modality can aid in learning a modality with less available data, such as US. We extensively validated the proposed MGA-Net on diverse datasets from varied clinical settings and neonatal age groups. The metrics used for assessment included the DICE similarity coefficient, recall, and accuracy for image segmentation; structural similarity for image reconstruction; and root mean squared error for total brain volume estimation from 3D ultrasound images. Our results demonstrate that MGA-Net significantly outperforms traditional methods, offering superior performance in brain extraction and segmentation while achieving high precision in image reconstruction and volumetric analysis. Thus, MGA-Net represents a robust and effective preprocessing tool for MRI and 3D ultrasound images, marking a significant advance in neuroimaging that enhances both research and clinical diagnostics in the neonatal period and beyond.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google