从多参数核磁共振扫描进行乳腺瘤细分和计算机辅助诊断的模式特定信息解

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:

• 乳腺癌对全球健康构成重大挑战,需要先进的诊断工具.
• 磁共振成像 (MRI) 提供了瘤的详细特征,但多参数MRI细分在利用模式间信息方面面临挑战.
• 现有的深度学习方法很难有效地整合来自不同MRI序列的信息,以实现精确的瘤细分.

研究的目的:

• 开发一种新的深度学习框架,以从多参数MRI中改进瘤细分.
• 增强探索模式间和模式内信息,以更准确地表征乳腺瘤.
• 建立一个强大的细分方法,可以预测患者对放射治疗的反应.

主要方法:

• 提出了一种使用注意力地图的模式特定信息解 (MoSID) 框架.
• MoSID提取了模式间和模式内注意力,以指导细分和模式选择.
• 评估了3D乳腺和2D前列腺MRI数据集的框架,包括缺失模式的场景.

主要成果:

• 与最先进的多模式细分方法相比,MoSID框架显示出更高的性能.
• 这种方法即使在某些MRI模式缺失时也保持了有效性.
• 使用MoSID细分瘤进行放射治疗反应预测,其准确性与手动细分相美.

结论:

• 该MoSID框架有效地解开模式特定的信息,以进行强大的瘤细分.
• 这种方法显著提高了多参数MRI瘤细分的准确性,并处理丢失的数据.
• 该方法对提高癌症诊断和治疗结果预测有希望.