不确定性量化和注意力意识融合引导的多模式MR脑瘤细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算生物学 计算生物学

背景情况:

• 准确的脑瘤细分对于诊断和治疗计划至关重要.
• 深度学习模型擅长细分,但缺乏不确定性估计.
• 临床安全需要量化细分不确定性.

研究的目的:

• 开发一种深度学习模型,用于用不确定性量化对多模式脑瘤细分.
• 为了提高脑瘤细分的准确性和可靠性.
• 为细分结果提供不确定性图,以改进细分结果.

主要方法:

• 一个多编码器的3D U-Net架构被用于最初的细分.
• 一个估计的贝叶斯模型量化了细分不确定性.
• 注意意识的多模式融合从MRI模式中学习了互补的特征.
• 不确定性地图被整合为细分精细化的约束.

主要成果:

• 拟议的方法在2018年和2019年的BraTS数据集上表现出卓越的性能.
• 在子得分,豪斯多夫距离和灵敏度方面表现优于最先进的方法.
• 成功生成不确定性图与细分结果一起.

结论:

• 整合不确定性量化显著增强大脑瘤细分.
• 注意的融合方法有效地利用多模态MRI数据.
• 建议的组件可以适应其他架构和计算机视觉任务.