交叉注意力变压器用于多模式无监督全身PET异常检测
Ashay Patel1, Petru-Daniel Tudosiu1, Walter Hugo Lopez Pinaya1
1King's College London, London, WC2R 2LS, United Kingdom.
Deep generative models : Second MICCAI Workshop, DGM4MICCAI 2022, held in conjunction with MICCAI 2022, Singapore, September 22, 2022, proceedings. MICCAI Workshop on Deep Generative Models (2nd : 2022 : Singapore)
|October 15, 2024
概括
这项研究引入了一种新的变压器模型,用于使用正子发射断层扫描 (PET) 和计算机断层扫描 (CT) 扫描检测癌症. 该模型通过识别异常,即使没有健康的训练数据,也能准确地定位癌症,优于现有方法.
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:
- 癌症在正子发射断层扫描 (PET) 扫描中表现出异质的吸收模式,这对于诊断和分期至关重要.
- 无监督的异常检测模型可以通过学习健康组织表示和检测偏差来识别癌症.
- 变压器非常适合在医学成像中学习复杂的相互作用,以检测异常.
研究的目的:
- 开发一种多模式变压器模型,用于在PET扫描中增强癌症检测.
- 通过通过交叉注意力整合计算机断层扫描 (CT) 扫描的解剖信息来改善癌症局部化.
- 评估模型的稳定性和性能,特别是当健康培训数据稀缺时.
主要方法:
- 使用了转换器架构,通过交叉注意力进行多模式调节,集成PET和CT成像数据.
- 在83次全身PET/CT扫描中训练了模型,包括各种癌症类型.
- 采用模型不确定性和内核密度估计来进行可靠的异常映射,作为基于残余的方法的替代方案.
主要成果:
- 拟议的模型显示了强大而准确的癌症定位能力,即使没有健康的训练数据.
- 不确定性量化提供了一个统计学上可靠的方法来生成异常图.
- 与领先的替代异常检测方法相比,实现了卓越的性能.
结论:
- 具有交叉注意力的多模转换器模型显著提高了在PET/CT成像中对癌症的无监督异常检测.
- 这种方法为癌症局部化提供了强大的解决方案,尤其是在健康数据有限的情况下非常有价值.
- 这种方法显示了改善癌症诊断,分期和治疗监测的希望,通过医学成像中先进的AI.
