MCE:医疗认知嵌入到3DMRI特征提取中,以推进质瘤分期
Han Xue1,2,3, Huimin Lu1,2,3, Yilong Wang3,4,5
1School of Computer Science and Engineering, Changchun University of Technology, Changchun, Jilin, China.
PloS one
|May 31, 2024
概括
这项研究引入了一种新的医学认知嵌入式 (MCE) 模型,用于使用MRI数据进行3D脑质瘤分期. 通过整合医学知识,MCE模型增强了特征提取,提高了诊断准确度,而不是纯粹基于数据的方法.
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:
- 对脑质瘤MRI分类的数据驱动深度学习面临挑战,因为数据有限,特征提取难.
- 目前的二维分析方法需要切片选择,这对于临床使用是不切实际的.
研究的目的:
- 提出一个新的医学认知嵌入式 (MCE) 模型,用于3D脑质瘤分期.
- 通过将医学知识嵌入数据驱动方法来提高特征提取质量.
主要方法:
- 开发了一个3D MCE模型,结合了深度特征提取,模仿医疗专业人员对MRI序列的解释.
- 进行了广泛的Radiomics特征提取 (纹理,形态,灰度).
- 通过引用放射性诊断和成像特征,创建诊断特征 (Diag-Features).
主要成果:
- 在BraTS2018和BraTS2020数据集上,MCE模型表现出卓越的性能.
- 与纯数据驱动模型相比,实现了更高的准确性 (96.14%,97.57%),回忆力 (93.4%,92.80%) 和精度 (97.06%,95.96%).
结论:
- 拟议的MCE模型有效地提高了使用3DMRI数据的脑质瘤分期.
- 将医疗知识集成到人工智能模型中可以改善神经瘤学中的特征提取和诊断性能.
