MFD-Net:模态融合衍射网络用于分割多模态脑瘤图像

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算神经科学是一种神经科学.

背景情况:

• 从多参数磁共振成像 (mpMRI) 进行脑瘤的手动细分是耗时的,容易引起观察者之间的变化.
• 准确和自动化的细分对于有效的脑瘤诊断,监测和治疗计划至关重要.
• 深度学习为推进自动化医疗图像细分提供了一个有希望的途径.

研究的目的:

• 开发和评估一种新的深度学习网络,即模态融合衍射网络 (MFD-Net),用于准确的自动脑瘤细分.
• 为了利用衍射块和自我监督的模式特征提取来提高细分性能.
• 评估MFD-Net在基准数据集和挑战上的通用性和性能.

主要方法:

• 拟议的MFD-Net结合了受到弗劳恩霍夫衍射启发的衍射块,通过强调高置信点来增强特征相互关系.
• 在衍射块中的全局被动接收模式克服了固定接收场的局限性.
• 自主监督的模式特征提取器被用来利用固有的泛化信息,允许网络专注于融合的多模式特征.

主要成果:

• 在与nn-UNet集成后,MFD-Net在MICCAI BraTS 2022挑战赛中在儿科数据中获得第一名,在持续评估中获得第三名.
• 该网络在不同数据集中展示了卓越的概括性 (BraTS 2018, 2019, 2021).
• 实验结果表明,MFD-Net在脑瘤细分方面表现优于当前最先进的方法.

结论:

• 拟议的MFD-Net有效地使用mpMRI进行自动脑瘤细分.
• 新的衍射块和自我监督的特征提取有助于提高准确性和通用性.
• MFD-Net代表了自动脑瘤细分的重大进步,具有潜在的临床应用.