MMCA-NET:基于全身PET/CT系统的鼻癌瘤细分的多模式交叉注意力转换器网络

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:

• 鼻癌 (NPC) 治疗严重依赖于放射治疗.
• 精确的瘤划分对于有效的放射治疗至关重要,但目前的方法面临挑战.
• 现有的细分模型与边界不好,瘤大小可变以及手动划分的劳动密集型性质作斗争.

研究的目的:

• 引入MMCA-Net,一种新的AI网络,用于使用PET/CT图像进行鼻癌细分.
• 通过交叉注意力机制增强CT和PET数据的多式融合.
• 为了提高放射治疗的瘤目标划定的准确性和效率.

主要方法:

• 开发了MMCA-Net,将多式联通交叉注意力变压器 (MCA-Transformer) 与修改的U-Net架构集成在一起.
• 利用交叉注意力机制来增强CT和PET成像数据的融合.
• 通过对临床和公共数据集的十个算法进行五倍交叉验证来验证该方法.

主要成果:

• 在所有四个评估指标中,MMCA-Net 始终超过了其他十个算法.
• 在测试的数据集上获得了0.815和0.7944的平均子相似系数.
• 废弃实验证实了MMCA-Net在基线和变异技术上的优越性.

结论:

• MMCA-Net显示了鼻癌细分精度的显著改善.
• 拟议的方法显示了增强放射治疗规划和执行的潜力.
• MMCA-Net有望在医疗图像细分任务中得到更广泛的应用.