KI und die schwierigen Probleme der Welt · Medizin & Wirkstoffforschung · Nature (machine learning) · 2026-10-07
Hirntumorsegmentierung mittels partikelschwarmoptimierter Histogrammäqualisierung und eines VGG19-basierten U-Nets
Originaltitel: Brain tumor segmentation using particle swarm optimized histogram equalization and a VGG19 based U-Net
Die Segmentierung von Hirntumoren in der MRT ist langsam, fehleranfällig und durch Bedienerverzerrungen beeinträchtigt, und Deep-Learning-Modelle sind oft schwer interpretierbar. Die Autoren schlagen SPOHE-VGGNet vor, das ein modifiziertes U-Net mit VGG-19 und einer durch Partikelschwarmoptimierung gesteuerten Histogrammäqualisierung kombiniert, um den MRT-Kontrast zu verbessern. Auf dem Figshare-Datensatz erreichte es Dice-Werte von 0.9522 (Meningeom), 0.9428 (Gliom) und 0.9518 (Hypophysentumor) und auf BraTS 2021 0.9463 für die Segmentierung des gesamten Tumors. Die Autoren betonen jedoch, dass vor einem klinischen Einsatz noch eine externe, volumetrische und auf Kliniker ausgerichtete Validierung erforderlich ist.