为不完整的模式重建不完整的关系 脑瘤细分
Jiawei Su1, Zhiming Luo2, Chengji Wang3
1School of Computer Engineering, Jimei University, Xiamen, China; The Department of Artificial Intelligence, Xiamen University, Fujian, China.
概括
这项研究引入了一种新的重建不完整的关系网络 (RIRN),用于使用不完整的磁共振成像 (MRI) 数据进行脑瘤细分. RIRN有效地转移结构知识,大大提高了细分精度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经科学是一个神经科学.
背景情况:
- 多模态磁共振成像 (MRI) 增强了脑瘤的细分.
- 临床环境往往缺乏完整的多模态MRI数据,阻碍了细分性能.
- 现有的知识转移方法忽视了脑瘤细分的结构性质.
研究的目的:
- 开发一个重建不完整的关系网络 (RIRN) 用于用不完整的MRI数据进行脑瘤细分.
- 将voxel语义关系知识从完全模式的教师网络转移到不完全模式的学生网络.
- 通过解决缺少的瘤特定信息来提高细分精度.
主要方法:
- 拟议的RIRN用于传输voxel语义关系知识.
- 引入了阶级相对关系 (CRR) 和阶级不可知关系 (CAR) 来纳入结构知识.
- 利用对抗式学习来调整教师和学生网络之间的整体结构预测.
主要成果:
- RIRN有效地转移voxel语义关系知识.
- CRR和CAR成功地将结构信息纳入了细分.
- 敌对学习对结构预测进行了调整,提高了性能.
- 在 BraTS 2018 和 BraTS 2020 数据集上,与最先进的方法相比,实现了优越的性能.
结论:
- 拟议的RIRN方法显著改善了脑瘤细分与不完整的多模态MRI数据.
- 整合voxel语义关系和对抗性学习对于处理缺失的模式至关重要.
- 在现实世界的临床场景中,RIRN为强大的脑瘤细分提供了一个有前途的解决方案.
