一个共同的模型用于病变细分和MS和NMOSD的分类

科学领域:

• 神经免疫学 神经免疫学
• 医学成像分析 医学成像分析
• 人工智能在医学中的应用

背景情况:

• 多发性硬化症 (MS) 和神经炎光谱障碍 (NMOSD) 是自身免疫性中枢神经系统疾病,具有重叠的临床和成像特征,使诊断复杂化.
• 目前的诊断方法经常使用T2加权流体减弱倒置恢复 (T2-FLAIR) MRI进行单独的损伤细分或疾病分类,忽视任务相互依赖.

研究的目的:

• 开发一个共同的深度学习模型,利用病变细分和MS和NMOSD疾病分类之间的相关性.
• 通过整合这些任务来提高识别和诊断MS和NMOSD的准确性和速度.

主要方法:

• 提出了一个联合模型,包括一个信息共享子网络 (双分支:卷积和Swin变压器模块),一个损伤细分子网络和一个疾病分类子网络.
• 使用损伤指导模块和交叉任务损失功能来增强信息交互,以实现相互任务指导.
• 该模型通过损伤位置地图提供可解释性.

主要成果:

• 该联合模型在病变细分方面获得了74.87%的Dice相似系数 (DSC),在疾病分类方面获得了92.36%的准确性 (ACC).
• 废弃实验证实了信息共享和任务间互动的有效性.
• 该模型在细分和分类任务中表现出卓越的性能.

结论:

• 拟议的联合模型有效地提高了MS和NMOSD中病变细分和疾病分类任务的性能.
• 这种综合方法为准确有效地诊断这些具有挑战性的神经系统疾病提供了有前途的进展.