原型学习导向混合网络用于DCE-MRI中的乳腺瘤细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 在动态对比增强磁共振成像 (DCE-MRI) 中精确的乳腺瘤细分对于诊断乳腺疾病至关重要.
• 当前的细分方法往往需要复杂的网络,导致高计算成本.
• 需要高效准确的自动化细分技术.

研究的目的:

• 开发一个混合深度学习网络,平衡DCE-MRI的计算成本和细分性能.
• 为了提高自动化乳腺瘤细分的准确性和效率.
• 评估自动细分在亚型识别 (例如,HER2状态) 中的有用性.

主要方法:

• 在编码器-解码器架构中结合卷积神经网络 (CNN) 和变压器层的混合网络.
• 实施3D变压器层,以捕捉瓶特征中的全球依赖性.
• 引入并行编码器子网络以提高效率.
• 整合一个学习指导预测模块的原型学习,使用在线聚类来提高辨别能力.

主要成果:

• 拟议的混合网络在私人和公共DCE-MRI数据集上表现出优越的性能,与最先进的方法相比.
• 该网络在细分精度和计算成本之间取得了平衡.
• 网络生成的自动瘤口罩在识别HER2-阳性和HER2-阴性亚型的准确性上是有效的,其准确性与手动细分相当.

结论:

• 混合CNN-变压器网络为DCE-MRI中自动化乳腺瘤细分提供了高效和准确的解决方案.
• 该方法显示出临床应用的潜力,包括帮助乳腺癌亚型分类.
• 这种方法推进了自动化医学图像分析,以改善乳腺癌的诊断和管理.