在SPECT骨扫描中使用深度学习进行骨转移病变的多模式数据驱动细分
Xiaoqiang Ma1,2, Qiang Lin1,2,3, Sihan Guo4
1Key Laboratory of China's Ethnic Languages and Information Technology of Ministry of Education, Northwest Minzu University, Lanzhou, China.
Current medical imaging
|September 19, 2024
概括
这项研究引入了一种新的深度学习方法,该方法将SPECT骨扫描与诊断报告相结合,以改善骨转移的检测. 多式联网方法增强了自动化分析,优于仅使用图像数据的模型.
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:
- 骨转移是恶性瘤的常见并发症.
- 斯佩克骨光学是敏感的,但由于手动分析的空间分辨率较低而受到限制.
- 深度学习通过提取等级模式来提供自动化图像分析.
研究的目的:
- 通过将诊断报告中的文本数据与SPECT骨扫描集成来增强深度学习细分模型.
- 开发一种超越单模数据驱动细分模型的自动化分析方法.
- 为了提高在低分辨率的SPECT扫描中识别骨转移的准确性.
主要方法:
- 提出了一种双路径细分框架,单独处理骨扫描图像和诊断报告.
- 一个编码解码器网络从SPECT图像中提取了特征.
- 麦克伯特模型编码了来自诊断报告的文字特征,这些特征与图像特征融合在一起.
主要成果:
- 拟议的多式联络模式在临床数据上表现出卓越的性能.
- 与U-Net模型相比,该模型在子相似系数 (DSC) 得分上实现了0.0209的增加.
- 文本数据的整合显著提高了细分性能.
结论:
- 多模式深度学习方法在SPECT骨扫描中有效地识别和隔离转移病变.
- 这种方法在SPECT扫描分析中优于现有的经典深度学习模型.
- 纳入文本数据对于基于深度学习的低分辨率SPECT骨扫描的细分非常有价值.


