基于联合学习的特征重建和增强网络,用于不完整的多模式脑瘤细分
Yueqin Diao1, Fan Li1, Zhiyuan Li1
1Faculty of Information Engineering and Automation, Kunming University of Science and Technology, Kunming 650500, China; Yunnan Key Laboratory of Artificial Intelligence, Kunming 650500, China.
Computers in biology and medicine
|July 14, 2023
概括
这项研究引入了一种新的联合学习方法,用于使用不完整的多模式磁共振成像 (MRI) 数据进行脑瘤细分. 该方法重建了缺失的模式,提高了细分精度,即使没有数据.
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:
- 多模式磁共振成像 (MRI) 增强了脑瘤的细分.
- 在临床诊断中缺少MRI模式会损害细分性能.
- 现有的方法使用模态融合来实现共享特征表示.
研究的目的:
- 为不完整的多模式MRI数据开发一种强大的脑瘤细分方法.
- 为了应对深度学习细分技术中缺失的模式的挑战.
- 在各种缺失模式场景下提高细分精度和模型稳定性.
主要方法:
- 一个结合特征重建和增强的联合学习框架,用于不完整的多式模式脑瘤细分.
- 一种信息学习机制,将知识从完整模式转移到单一模式.
- 一个功能重建模块,从可用的数据中恢复缺失的模式信息.
- 一个功能增强机制,以利用重建的缺失模式信息.
主要成果:
- 拟议的模型在BraTS2018数据集上实现了86.28% (整个瘤),77.02% (瘤核心) 和59.64% (增强瘤) 的Dice相似度得分.
- 与最先进的方法相比,在缺失的模式情况下表现出优越的性能.
- 该方法有效地获得了全面的脑瘤信息,尽管缺少MRI数据.
结论:
- 拟议的联合学习方法显著提高了脑瘤细分的准确性与不完整的多模式MRI.
- 特性重建和增强方法提高了模型的稳定性,并有效地处理丢失的数据.
- 这个框架为现实世界的临床场景提供了一个有希望的解决方案,其中包括不完整的神经成像数据.
