磁铁:一种模态无知网络,用于3D医学图像分割
Qisheng He1, Ming Dong1, Nicholas Summerfield2
1Wayne State University Department of Computer Science 5057 Woodward Ave, Detroit, MI 48202.
Proceedings. IEEE International Symposium on Biomedical Imaging
|January 3, 2024
概括
MAGNET是一个用于3D医疗图像细分的新网络,可以使用任何训练模式的子集进行预测. 这种无模态的方法优于单模态模型,即使在测试期间可用的成像类型较少.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 3D医学图像细分对于诊断和治疗规划至关重要.
- 当前的方法往往在临床实践中扎,因为成像模式的可用性各不相同.
- 开发适应不同数据输入的灵活细分模型是必不可少的.
研究的目的:
- 推出MAGNET,这是一个用于3D医疗图像细分的新型模式不可知网络.
- 为了实现强大的细分性能,即使在测试时可用的成像模式比培训时更少.
- 为了证明MAGNET在各种医学成像数据集中的适应性和卓越性能.
主要方法:
- 提出了MAGNET,一种模态不可知的神经网络架构.
- 训练有素的MAGNET在多模式3D医学成像数据.
- 在测试时使用各种成像模式的子集评估预测性能.
主要成果:
- MAGNET成功地使用训练模式的任何子集进行了3D医疗图像细分.
- 在多模式数据上训练的模型表现优于单独训练的单模式模型.
- 当测试期间有更多的模式可用时,性能进一步提高.
结论:
- MAGNET提供了一个独特的解决方案,用于在现实世界的临床场景中进行3D医学图像细分,可变的模式可用.
- 模式不可知的方法提供了灵活性和比传统方法更好的性能.
- MAGNET代表了适应性医学图像分析的重大进步.
