基于密集的对比学习和多式特征重新校准的质瘤细分
Xubin Hu1, Lihui Wang1, Li Wang1
1Engineering Research Center of Text Computing & Cognitive Intelligence, Ministry of Education, Key Laboratory of Intelligent Medical Image Analysis and Precise Diagnosis of Guizhou Province, State Key Laboratory of Public Big Data, College of Computer Science and Technology, Guizhou University, Guiyang 550025, People's Republic of China.
Physics in medicine and biology
|March 27, 2024
概括
这项研究介绍了DCL-MANet,这是一种新的3D深度学习模型,用于从多模式MRI中准确地细分质瘤. 该模型有效地解开了多模式特征,改善了小型和低对比度病变的细分.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经瘤学神经瘤学
背景情况:
- 从多式磁共振 (MR) 图像进行精确的质瘤细分对于诊断和分类至关重要.
- 现有的方法在细分小,低对比度或不规则形状的病变方面存在困难,原因是有效利用多式MR图像信息的挑战.
研究的目的:
- 提出一个新的3D质瘤细分模型,DCL-MANet,旨在克服多式联络功能利用的局限性,以提高准确性.
- 增强具有挑战性的质瘤区域的细分,包括小和低对比度的区域.
主要方法:
- 开发了一个3D质瘤细分模型,DCL-MANet,具有多个编码器用于模式特定的特征提取和单个解码器.
- 引入了密集对比学习 (DCL) 策略,将多模式语义特征分离为模式特定和常见组件.
- 整合了一个特征重新校准块 (RFB),以模式为重点,以改进语义特征,以便更好地关注相关的质瘤特征.
主要成果:
- 与最先进的方法相比,DCL-MANet表现出优异的性能,在所有瘤区域中平均改善了子,平均对称表面距离 (ASSD),HD95和体积相似性 (Vs).
- 特别是在小型增强瘤 (ET) 区域的细分方面观察到显著的改善.
- 废弃性研究证实了DCL策略和RFB的有效性,显示了Dice和Vs的实质性增长,以及ET区域的ASSD和HD95的减少.
结论:
- DCL-MANet模型有效地解开了多模式特征,并增强了模式依赖的语义,为准确的质瘤细分提供了有前途的方法.
- 拟议的方法显示出显著的潜力,可以改善小质瘤中小型和复杂的病变区域的细分,帮助临床诊断和治疗规划.
