Beyin Tümörü Segmentasyonunda Yeni Nesil Attention-Gated U-Net Modeli Dikkat Çekiyor
Beyin Tümörü Segmentasyonunda Yeni Nesil Attention-Gated U-Net Modeli Dikkat Çekiyor
Yeni geliştirilen Attention-Gated R2U-Net tabanlı model, beyin tümörü segmentasyonunda yüksek doğruluk ve etkili özellik çıkarımı ile öne çıkıyor.
Önemli Noktalar
- Model, BraTS2021 doğrulama setinde tümör segmentasyonunda 0,900 Dice benzerlik skoru elde etti.
- Triplanar ağ, sağkalım tahmini için 64 özellik çıkarıp bunları 28’e indiriyor.
- Test setinde %45,71 doğruluk ve 108.318,128 MSE ile önemli sonuçlar sağlandı.
Modelin Temel Özellikleri
Gliomlar, yaygın görülen birincil beyin tümörleri arasında yer alıyor ve tedavi planlaması karmaşık cerrahi müdahaleler gerektirdiğinden oldukça zorlu olabiliyor. 2026 yılı içinde tanıtılan Attention-Gated Recurrent Residual U-Net (R2U-Net) tabanlı Triplanar (2.5D) model, beyin tümörü segmentasyonunda önemli bir yenilik sunuyor. Model; residual, tekrarlayan ve triplanar mimarileri entegre ederek hem özellik temsilini güçlendiriyor hem de segmentasyon doğruluğunu artırıyor. Ayrıca, yüksek hesaplama verimliliği ile klinik uygulamalara uygun bir çözüm vadediyor.
Teknik Detaylar
Model, BraTS2021 doğrulama setinde tümörün tamamının segmentasyonunda 0,900 Dice benzerlik skoru ile lider modellere yakın bir performans gösteriyor. Triplanar ağ yapısı, her düzlem için 64 özellik çıkarıyor ve bu özellikler Yapay Sinir Ağı (ANN) kullanılarak 28’e indiriliyor. Sağkalım günlerinin tahmininde ise %45,71 doğruluk, 108.318,128 Ortalama Kare Hata (MSE) ve 0,338 Spearman Sıra Korelasyon Katsayısı (SRC) değerleri elde edildi.
Gelecekteki Etkiler
Geliştirilen modelin, beyin tümörü tedavi planlamasında daha hassas ve hızlı kararlar alınmasına katkı sağlaması bekleniyor. Yüksek doğruluk ve verimli özellik çıkarımı sayesinde, klinik süreçlerde yapay zekâ tabanlı çözümlerin yaygınlaşmasına öncülük edebilir.
En güncel teknoloji haberleri için Synvalo sosyal medya hesaplarımızı takip edebilirsiniz.
Kaynak: arxiv.org