渐变导向网络与富里埃增强用于多模式3DMRI中的质瘤细分

科学领域:

• 医学成像分析分析 医学成像分析
• 医疗保健中的人工智能
• 神经瘤学成像成像技术

背景情况:

• 准确的质瘤细分对于计算机辅助诊断和治疗规划至关重要.
• 现有的细分方法往往无法捕捉到关键的边缘细节和全球背景.
• 卷积神经网络在提取本地信息方面存在局限性,原因是受体场受限.

研究的目的:

• 开发一个先进的质瘤细分网络,精确地划分瘤边界.
• 解决当前处理边缘信息和全球背景的方法的局限性.
• 引入一种新的方法,以提高脑瘤成像中的细分精度.

主要方法:

• 提议GFNet,一个边缘意识的细分网络,结合双路径梯度引导培训 (DGT) 战略.
• 在DGT中实现了一个罗式网络结构,以指导使用其他路径的梯度进行优化,专注于硬样本.
• 引入了一个富里埃边缘增强模块 (FEM) 来整合高频谱信息,以增强边缘感知和全球背景.

主要成果:

• 在公共数据集 (BraTS2020,MSD) 上,GFNet表现出与最先进的方法相比具有竞争力的性能.
• 该DGT战略有效地解决了边界附近难以分类的像素所带来的细分挑战.
• FEM模块成功增强了特征边缘的光谱域信息,改善了全球上下文和边缘细节.

结论:

• 在精确的质瘤细分方面,GFNet提供了显著的进步,优于现有的技术.
• 拟议的DGT和FEM模块有效地提高了边缘意识,并纳入了全球信息.
• 在神经瘤学中,GFNet显示出改善计算机辅助诊断和治疗规划的前景.