TPA:在多种模式的MRI上对肝细胞癌进行两阶段渐进式注意力细分框架
Lei Gao1, Weilang Wang2, Xiangpan Meng2
1Institute for AI in Medicine, School of Artificial Intelligence, Nanjing University of Information Science and Technology, Nanjing, China.
Medical physics
|February 2, 2024
概括
这项研究引入了两阶段的渐进式注意力 (TPA) 框架,以改善肝细胞癌 (HCC) 的细分,使用多相动态对比增强MRI. TPA模型有效地解决了相间相关性挑战,实现了卓越的细分性能.
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:
- 动态对比增强磁共振成像 (DCE-MRI) 对肝细胞癌 (HCC) 的诊断和测量至关重要.
- HCC的异质性导致DCE-MRI阶段的外观变化,使细分复杂化.
- 在DCE-MRI阶段的不一致的大小和边界阻碍了模式间的相关性和准确的细分.
研究的目的:
- 为HCC.设计一个多模式细分模型.
- 从DCE-MRI数据中学习有意义的相间相关性.
- 为了实现更好的HCC细分精度.
主要方法:
- 为HCC提出了一个两阶段的渐进式注意力 (TPA) 分段框架.
- 利用了变压器架构和放射科医生决策原则.
- 在第二阶段开发了一个多模态注意力转换器 (MAT) 模块,以专注于尺寸代表性特征.
主要成果:
- 在386例高瘤病例的数据集上,TPA模型实现了0.822 (内部) 和0.772 (外部) 的子系数.
- 在具有相间相关性较弱的子组中,表现特别强 (Dice 0.829内部,0.791外部).
- 超越了最先进的模型,特别是在具有弱相间相关性的具有挑战性的情况下.
结论:
- 拟议的TPA框架提供了最佳的HCC细分结果.
- 将临床先验知识纳入网络设计是实际和有效的.
- 该模型在处理HCC异质性和相间不一致性方面表现出稳健性.
