科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对现有的脑部MRI图像质量评价方法准确率低、难以应用于实际临床环境中的问题，提出一种基于提取感兴趣区域的脑部MRI图像质量自动评价模型USformer-Net，并创建了带有主观质量评价标签的脑部MRI图像数据集。USformer-Net模型基于U-Net和Swin Transformer模型构建并针对脑部MRI图像的特殊性进行了改进。首先，利用轻量化的U-Net网络对具有临床诊断价值的大脑主要区域进行分割，提取出感兴趣区域；其次，利用Swin Transformer的串联窗口自注意力运算（W-MSA）、滑动窗口自注意力运算（SW-MSA）以及其特征融合方式，将特征金字塔（FPN）、兴趣区域匹配（ROI Align）及全连接网络（FC）结合在Swin Transformer骨干特征提取网络中进行图像质量评价。USformer-Net模型能够忽略无关噪声，准确提取出影响诊断的主要区域并进行图像质量评价。实验结果表明，在MRI图像质量评价任务中该模型准确率为87.84%，精度为91.84%，召回率为92.05%,F1-score为91.99%，相较于其他评价方法各项指标均有不同程度提升。最终结果显示该模型能够有效保证脑部MRI图像质量评价的准确性，创建的带有主观质量评价标签的数据集也为该领域的研究提供了更好的数据支持。
- 单位
