Labmedya - Laboratuvar ve Sağlık Gazetesi

MMA-UNet’in kodlayıcı bölümünde EfficientNet-B5 kullanıldı. MedNeXt köprü blokları farklı ölçeklerdeki özellikleri aktardı; Mamba tabanlı VSS darboğazı uzun menzilli ilişkileri işlemeyi amaçladı. Kod çözücüde kanal ve mekânsal dikkati birleştiren CBAM modülleri yer aldı. Düzensiz tümör sınırlarına uyum sağlamak için deformasyonlu iyileştirme mekanizması eklendi.

Model, T1 ağırlıklı kontrastlı MR görüntülerinden oluşan FigShare karşılaştırma veri setinde değerlendirildi. Dice skoru 0,9063, kesişim-birleşim oranı 0,8304, kesinlik 0,9043, duyarlılık 0,9092 ve özgüllük 0,9982 olarak bildirildi. Kullanılan deney protokolünde U-Net, Attention U-Net, TransUNet ve Swin UNet modellerinden daha yüksek sonuçlar elde edildi.

Mimari 30,41 milyon parametreyle görece verimli bir yapı sundu. Bununla birlikte çalışma klinik iş akışında doktor performansını, zaman kazancını veya hasta sonuçlarını doğrudan ölçmedi. Karşılaştırmalar belirli bir veri seti ve deney protokolüyle sınırlı; farklı cihazlar, hastaneler ve tümör alt tiplerinde aynı performansın korunacağı henüz gösterilmedi.

En önemli sınırlılık, modelin bağımsız iki boyutlu kesitlerde çalışması ve üç boyutlu hacim bağlamını kullanmaması. Araştırmacılar daha büyük ve çeşitli veri setlerinde dış doğrulama gerektiğini belirtiyor. Açık erişim finansmanı VIT-AP University tarafından sağlanan çalışma, klinik uygulamaya hazır bir tanı sistemi değil; segmentasyon araştırmaları için yeni bir mimari öneriyor.

Kaynak : https://www.nature.com/articles/s41598-026-62655-4