在MRI图像中使用2D ResNet作为骨干,并具有显式瘤大小信息的增强多式脑瘤分类
Yunhao Zeng1,2, Nianbo Liu3,2, Xinduoji Yang1,2
1School of Information and Software Engineering, University of Electronic Science and Technology of China, Chengdu 611731, China.
Journal of Cancer
|July 1, 2024
概括
这项研究引入了一种新的AI方法,将2D和3D卷积神经网络结合起来,以使用MRI准确地分类恶性质瘤. 该方法改善了瘤的特征和预测,有助于临床决策.
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:
- 恶性质质瘤由于其快速生长和透而构成重大全球健康挑战.
- 精确的瘤分类对于有效的治疗计划和改善患者预后至关重要.
研究的目的:
- 通过整合2D和3D卷积神经网络 (CNN) 来开发一种更准确的质瘤分级的新方法.
- 利用多式磁共振成像 (MRI) 数据来增强瘤特征.
主要方法:
- 一种混合CNN方法,将2D ResNet50与从多式联络MRI数据中提取3D信息相结合.
- 整合明确的3D瘤特征 (体积,表面积),以克服2D和3DCNN的局限性.
- 融合多式成像数据以改善瘤特征.
主要成果:
- 拟议的模型在验证集上实现了0.9684的曲线下的高面积 (AUC).
- 该方法有效地整合了时空信息,同时减轻了3D CNN中常见的过拟合问题.
- 使用热图来可视化瘤区域的解释性得到增强.
结论:
- 新的混合CNN模型为临床质瘤分级提供了有希望的进步.
- 这种方法提高了诊断的准确性,并有助于预测医学诊断.
- 该方法解决了现有的二维和三维CNN的局限性,以改善瘤分级.
