不完整的MRI数据的多式变压器用于脑瘤细分
IEEE journal of biomedical and health informatics
|June 16, 2023
概括
这项研究引入了一种新的多式变压器网络,用于使用不完整的磁共振成像 (MRI) 数据进行精确的脑瘤细分. 该方法有效地整合了缺失的模式,在基准数据集上表现优于现有技术.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经瘤学神经瘤学
背景情况:
- 准确的脑瘤细分对于临床诊断和治疗计划至关重要.
- 多模式磁共振成像 (MRI) 提供了丰富的,互补的数据,但在临床环境中可能缺少模式.
- 整合不完整的多模式MRI数据用于脑瘤细分仍然是一个重大挑战.
研究的目的:
- 提出一种新的脑瘤细分方法,利用设计用于不完整的多式多态MRI数据的多式变压器网络.
- 为了有效地建模多式联络特征之间的相关性,并学习缺失模式的表示.
- 为了提高脑瘤细分的准确性,尽管数据有限.
主要方法:
- 一个基于U-Net的架构,包括模式特定的编码器,多模式变压器和共享重量解码器.
- 卷积编码器提取模式特定的特征;多模式变压器模拟模式间的相关性,并归纳缺失的数据.
- 一个缺失的完全互补的学习策略利用潜在的相关性来补偿特征,通过空间和道自我注意模块来增强.
主要成果:
- 拟议的多式变压器网络在脑瘤细分方面表现出优异的性能,与最先进的方法相比.
- 实现了MRI缺失模式的有效整合和补偿.
- 该方法在来自BraTS 2018,2019和2020年数据集的多模式MRI数据上得到验证,在各种缺失数据场景中显示出强大的性能.
结论:
- 开发的多模式变压器网络为用不完整的多模式MRI数据对脑瘤细分提供了强大的解决方案.
- 缺失的完整补充学习策略显著提高了特征表示和细分精度.
- 这种方法有望改善临床工作流程,因为不总是可以获得完整的多模式MRI数据.
