ParaCM-PNet:一个CNN标记的MLP结合了平行双金字塔网络,用于MRI中的前列腺和前列腺癌细分
Weirong Wang1, Bo Pan1, Yue Ai2
1State Key Laboratory of Robotics and System, Harbin Institute of Technology, Harbin, 150001, China.
Computers in biology and medicine
|January 20, 2024
概括
这项研究引入了一种新的AI网络,用于MRI扫描中的精确前列腺癌细分. 该方法通过结合深度学习技术来更好地检测病变,提高了机器人活检的准确性.
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:
- 在MRI中精确细分前列腺和癌症对于图像引导的机器人活检至关重要.
- 目前在MRI中定位前列腺病变的方法对医生来说是耗时和具有挑战性的.
研究的目的:
- 在MRI图像中开发一个用于分割前列腺和临床显著前列腺癌 (csPCa) 的自动化系统.
- 提高图像注册和活检定位的准确性和效率.
主要方法:
- 一个平行双金字塔网络,结合了卷积神经网络 (CNN) 和令牌化的多层感知器 (MLP).
- 一个两阶段的方法:首先是前列腺细分,然后是使用先前细分来检测csPCa.
- 通过CNN和MLP层集成规模意识的本地特征和全球信息.
- 整合了交互式混合注意模块,以增强目标感知.
主要成果:
- 与最先进的方法相比,拟议的网络在前列腺和csPCa的细分方面取得了卓越的性能.
- 在捕获互补的本地和全球语义特征以提高细分精度方面表现出有效性.
- 两阶段架构成功地利用了先前的细分信息来增强癌症检测.
结论:
- 开发的并行双金字塔网络为MRI中前列腺癌自动细分提供了高度有效的解决方案.
- 这种人工智能驱动的方法有可能显著提高前列腺活检程序的精度和效率.
- 该方法为放射科医生和临床医生在诊断和管理前列腺癌方面提供了强大的工具.
