渐进式双优先网络,用于一般化乳腺瘤细分
IEEE journal of biomedical and health informatics
|June 6, 2024
概括
渐进式双先验网络 (PDPNet) 通过使用本地化和精细化模块在动态增强磁共振图像 (DCE-MRI) 中增强乳腺瘤细分. 这种方法提高了在不同医疗中心的小,低对比度和不规则瘤的准确性.
科学领域:
- 医学成像分析 医学成像分析
- 放射学中的人工智能
- 瘤成像学成像学
背景情况:
- 在动态增强磁共振成像 (DCE-MRI) 中精确的乳腺瘤细分对于诊断和治疗计划至关重要.
- 现有的模型经常在不同中心的概括和挑战性瘤的细分 (小尺寸,低对比度,不规则的形状) 中扎.
- 在各种瘤特征上改进模型概括和性能仍然是自动化医学图像分析的重大挑战.
研究的目的:
- 从多中心DCE-MRI数据开发一个新的网络,PDPNet,用于从多中心DCE-MRI数据中进行强大的乳腺瘤细分.
- 为了提高小,低对比度和不规则形状的乳腺瘤的细分性能.
- 提高乳腺瘤细分模型在不同获取中心的概括能力.
主要方法:
- 提出了一种渐进式的双重先验网络 (PDPNet),包含基于粗细分的本地化模块.
- 使用弱语义先验和跨度相关性先验知识实施渐进的精细化.
- 在多中心DCE-MRI数据集上与最先进的方法验证了PDPNet.
主要成果:
- 与多中心测试集中的次优方法相比,PDPNet在子相似系数 (DSC) 中实现了至少5.13%的显著改善,Hausdorff距离第95百分位数 (HD95) 至少7.58%的显著改善.
- 废除研究证实了局部化模块在减少正常组织影响和增强泛化的有效性.
- 弱语义先验有助于专注于瘤区域,防止小或低对比度瘤的错过检测,而交叉相关先验则改善了不规则形状的细分.
结论:
- 拟议的PDPNet有效地从多中心DCE-MRI细分乳腺瘤,优于现有的方法.
- 综合本地化和逐步改进策略,利用双重先前知识,成功解决瘤大小,对比度,形状和多中心变异带来的挑战.
- PDPNet表现出增强的概括能力和改进的细分精度,为临床应用提供了一个有前途的工具.
