MixUNETR:基于W-MSA和深度卷的U形网络,用于MRI中区域前列腺细分的通道和空间相互作用

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 精确的前列腺癌诊断和分期依赖于精确的磁共振成像 (MRI) 对外围区域 (PZ) 和过渡区域 (TZ) 的细分.
• 现有的细分方法与PZ和TZ之间的模两可的界限,形状变化和纹理复杂性作斗争,限制了诊断准确性和人工智能驱动的分析.
• 目前方法中的模型能力不足和受体场有限,阻碍了前列腺MRI细分的有效特征提取.

研究的目的:

• 开发前列腺MRI的增强细分方法,准确地划分PZ和TZ.
• 解决处理复杂边界和特征提取现有方法的局限性.
• 通过卓越的MRI细分来提高人工智能驱动的前列腺癌分析的准确性和稳定性.

主要方法:

• 建议增强的MixFormer集成基于窗口的多头自我注意 (W-MSA) 和深度智能卷积与并行设计和跨分支双向交互.
• 引入了MixUNETR,利用多个增强的MixFormer作为编码器,在前列腺MRI中从PZ和TZ中进行全面的特征提取.
• 增强受体场和建模能力,以增强全球和本地特征的提取,以改善细分.

主要成果:

• 与最先进的方法相比,MixUNETR在前列腺MRI细分方面表现出卓越的准确性和稳定性.
• 该方法有效地解决了在PZ和TZ之间划分界限方面的挑战,减少了错误的细分.
• 在 Prostate158, ProstateX 公共数据集和私人数据集中观察到一致的性能.

结论:

• 混合UNETR在前列腺MRI细分方面取得了重大进展,提高了诊断能力.
• 拟议的模型有效地克服了以前方法的局限性,改善了前列腺关键区域的划分.
• 这项工作为精确的人工智能驱动的前列腺癌分析提供了强大的解决方案,可用于复制性的代码.