多模式关系关注网络用于乳腺瘤分类

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 乳腺癌的诊断依赖于准确的图像分类.
• 多模态图像融合可以提高诊断性能.
• 当前的融合方法往往忽略了模式间的相关性,限制了单一模式的特征歧视.

研究的目的:

• 为改善乳腺瘤分类提出一个新的多模式关系关注网络.
• 利用扩散加权成像 (DWI) 和明显分散系数 (ADC) 图像中的互补信息.
• 通过一致的规范化,提高分类的稳定性和准确性.

主要方法:

• 开发一个多模式的关系注意力网络,包含一个新的注意力模块.
• 探索DWI和ADC模式之间的相关信息,以提高特征的可区分性.
• 实施一致性规范化模块,以确保在各种模式之间进行可靠的分类,并减少噪声敏感性.

主要成果:

• 拟议的网络有效地使用合并的DWI和ADC图像对乳腺瘤进行分类.
• 实验结果显示,与现有的多模式聚变技术相比,其性能优越.
• 实现了高性能指标:AUC为85.1%,准确度为86.7%,特异性为83.3%,灵敏度为88.9%.

结论:

• 多模式关系关注网络在乳腺瘤分类方面取得了重大进展.
• 整合模式间的相关性和一致的规范化可以提高诊断的准确性和稳定性.
• 该方法通过先进的图像分析证明了改善乳腺癌诊断的巨大潜力.