Die Wirksamkeit und Leistung von MM-UNet werden anhand von zwei öffentlich zugänglichen Prostata-MR-Bildsegmentationsdatensätzen bewertet. Der Prostata-Segmentierungswettbewerb wurde 2012 von der International Medical Image Processing Organizing Committee mit dem PROMISE12-Datensatz durchgeführt, der Daten von Personen mit gutartigen Erkrankungen und Prostatakrebs aus vier verschiedenen medizinischen Instituten umfasst. Der ASPS13-Datensatz stammt aus dem NCI-ISBI 2013 Automated Segmentation of Prostate Structures Wettbewerb und besteht aus 60 T2-gewichteten MR-Bildern von Patienten mit Prostatakrebs. Das Training dieser Modelle erfolgt durch professionelle Segmentierung durch Ärzte.
Die Implementierung erfolgt mit Python und dem PyTorch-Framework, sowie Experimente auf Hardware mit vier NVIDIA 4090 GPUs. In dem vorgeschlagenen Modell werden verschiedene Online-Datenvergrößerungstechniken wie zufällige Rauschzugabe, Spiegelung und Rotation verwendet. Während des Trainings wird ein Verlustfunktionsfunktionskosten genannt, und Adam als Optimizer angewendet. Eine Fünffach-Kreuzvalidierung wird verwendet, um die Leistung verschiedener Methoden zu bewerten, und verschiedene Leistungsmetriken wie Dice Similarity Coefficient, 95% Hausdorff-Distanz und durchschnittliche symmetrische Distanz werden zur Bewertung der Segmentierungsergebnisse verwendet. Die Ergebnisse zeigen, dass MM-UNet in Bezug auf die Segmentierungsgenauigkeit besser abschneidet als andere Methoden auf den verwendeten MR-Bilddatensätzen.
Der Vergleich mit neun state-of-the-art Methoden zeigt, dass MM-UNet die besten Werte in der Segmentierungsleistung aufweist. Durch experimentelle Ergebnisse wird gezeigt, dass das vorgeschlagene MM-UNet die Effizienz im Vergleich zu herkömmlichen Segmentierungsnetzwerken verbessert. Qualitative und quantitative Analysen zeigen das verbesserte Leistungspotenzial des vorgeschlagenen Modells bei der Segmentierung komplexer Prostata-MR-Bilder. Ablationsstudien zeigen, dass die Integration verschiedener Module wie dem 3D Res2Net-Encoder, dem globalen kontextsensitiven Modul (GCM), dem adaptiven Merkmalsfusionmodul (AFFM) und dem mehrskaligen anisotropen Faltungmodul (MACM) die Segmentierungsleistung weiter verbessern kann.
Die Ergebnisse der ablationsstudien für GCM und MACM zeigen, dass die Kombination verschiedener Module zu einer Verbesserung der Segmentierungsergebnisse führt. Durch die Verwendung von Residual Block und HardSwish-Aktivierung in GCM wird die Leistung optimiert. Die Kombination von multi-skalen Faltungskernen in MACM und die Verwendung der anisotropen Faltung tragen ebenfalls zur Verbesserung der Segmentierungsqualität bei. Durch die Integration dieser Module können insgesamt genauere und zuverlässigere Prostata-MR-Bildsegmentierungsergebnisse erzielt werden.