earticle

영어

In this paper, we propose an improved U-SegNet model by integrating U-SegNet with fire modules and residual convolutions to segment brain tissues in a magnetic resonance image (MRI). In the proposed encoder-decoder method, the residual connections, as well as squeeze, and expand convolutional layers from the fire module, lead to lighter and more efficient architecture for brain MRI segmentation. The residual unit helps in the smooth training of the deep architecture, and features obtained from residual convolutional layers ensure better feature representation in the segmentation network. It also makes the design more efficient architecture with a fewer number of network parameters and provides better segmentation accuracy for brain MRI. The proposed architecture is evaluated on a publicly available OASIS dataset for brain tissue segmentation. The experimental results of the proposed method exhibit superior performances to conventionalmethods on brain MRI segmentation with a dice similarity coefficient (DSC) score of 0.96 and Jaccard index (JI) of 0.92.

한국어

본 논문에서는 U-SegNet 을 화재 모듈 및 잔류 컨볼루션과 통합하여 자기 공명 영상(MRI)으로 뇌 조직을 분할하여 U-SegNet 모델을 개선한다. 제안된 인코더-디코더 방법에서, 잔류 연결뿐만 아니라 화재 모듈의 압착 및 확장 컨볼루션 레이어는 뇌 MRI 분할을 위한 더 가볍고 더 효율적인 아키텍처로 이어진다. 잔류 단위는 심층 아키텍처의 원활한 훈련에 도움이 되며, 잔류 컨볼루션 계층에서 얻은 특징은 분할 네트워크에서 더 나은 특징 표현을 보장한다. 또한 더 적은 수의 네트워크 매개 변수로 설계를 보다 효율적으로 만들고 뇌MRI 에 더 나은 분할 정확도를 제공한다. 제안된 아키텍처는 뇌 조직 분할을 위해 공개적으로 이용 가능한 OASIS 데이터 세트에서 평가된다. 제안된 방법의 실험 결과는 주사위 유사도 계수(DSC) 점수가 0.96 이고 자카드 지수(JI)가 0.92 인 뇌 MRI 분할에 대한 기존 방법보다 우수한 성능을 보여준다.