MHD-Net:对于缺失病理模式的胸膜上皮瘤类型的记忆意识异模式蒸网络

科学领域:

• 医疗成像医学成像
• 计算病理学计算病理学
• 在瘤学中使用人工智能

背景情况:

• 准确的瘤类型识别对于有效的癌症治疗至关重要.
• 多模式数据融合 (放射学和病理学) 提高了诊断准确度.
• 病理学数据收集是昂贵的,通常是术后的,限制了实时诊断应用.

研究的目的:

• 开发一种在培训过程中从多模式数据学习的方法,同时在测试过程中仅依赖放射学数据.
• 在缺少病理学数据的场景中提高瘤类型的准确性.
• 提出一个新的记忆意识异模蒸网络 (MHD-Net).

主要方法:

• 拟议的具有记忆意识的异模式蒸网络 (MHD-Net) 具有教师-学生架构.
• 为教师模型开发了一个空间差异化的异模式融合模块 (SHFM).
• 引入了对比度增强的打字记忆模块 (CTMM) 用于病理特征存储.
• 为学生模型实施了多阶段的记忆意识蒸 (MMD) 方案.
• 创建了一个放射学-病理学甲状腺上皮瘤 (RPTET) 数据集.

主要成果:

• MHD-Net显著提高了瘤类型的准确性.
• 拟议的方法在缺失的模式场景中优于现有的多模式方法.
• 在RPTET和CPTAC-LUAD数据集上验证的实验.

结论:

• MHD-Net有效地提炼了多模式知识,以进行强大的瘤类型.
• 该方法解决了临床环境中缺少病理学数据的挑战.
• 这种方法为提高瘤学诊断准确度提供了一个有前途的解决方案.