使用多尺度变压器进行焦点皮层发育不良的病变细分

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:

• 从MRI图像中精确细分焦点皮质质变形 (FCD) 病变对于手术规划至关重要,但仍然具有挑战性.
• 现有的方法往往难以应对FCD病变的复杂性和变异性.

研究的目的:

• 引入一种基于变压器的新型模型,用于从多通道MRI图像中对FCD病变进行端到端细分.
• 提高FCD病变识别的准确性和效率,用于临床应用.

主要方法:

• 开发了一个模型,将CNN编码解码器与多尺度变压器集成在一起,以增强特征表示.
• 利用双重自我注意模块来捕捉远程依赖性,并强调与损伤相关的特征.
• 在85名患者的公共数据集上训练和评估模型,使用主体级和voxel级的指标.

主要成果:

• 与五种已知方法相比,该模型在数量和质量上取得了更好的表现.
• 在82.4%的患者中成功识别了病变,错误阳性率低 (0.176±0.381个患者).
• 获得了0.410 ± 0.288.8的平均子系数.

结论:

• 变压器的集成显著提高了FCD病变的特征表示和细分性能.
• 拟议的模型显示了作为FCD患者快速和准确的手术前评估的辅助工具的潜力.
• 这项工作为FCD损伤细分的未来研究提供了有价值的基准.