多发性髓瘤细分网 (MMNet):一种基于编码器-解码器的深度多尺度特征融合模型,用于磁共振成像中的多发性髓瘤细分
Xin Zhao1, Lili Chen1, Nannan Zhang2
1School of Mechatronics and Vehicle Engineering, Chongqing Jiaotong University, Chongqing, China.
Quantitative imaging in medicine and surgery
|October 21, 2024
概括
这项研究介绍了MMNet,这是一种新的深度学习模型,用于在MRI扫描中对多发性骨髓瘤 (MM) 病变进行细分. 通过有效提取多尺度特征,MMNet提高了病变检测的准确性,有助于早期诊断和治疗规划.
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:
- 多发性骨髓瘤 (MM) 导致骨质退化,需要精确的病变细分来进行诊断.
- 在MM细分的挑战包括各种损伤形状,模两可的边界,和多尺度的特征.
- 精确的细分对于早期发现和监测MM进展至关重要.
研究的目的:
- 为多发性骨髓瘤 (MM) 病变开发一种强大而准确的细分方法.
- 提取丰富的多尺度特征,以改善MM损伤细分.
- 通过先进的图像分析来提高MM的早期检测和诊断.
主要方法:
- 为MM细分提出了一种新的多级特征融合编码解码模型 (MMNet).
- 在编码阶段使用扩展密度连接网络 (DCNet) 进行多级特征提取.
- 在解码和瓶层中集成CBAM-atrous空间金字塔聚合 (CASPP) 和动态特征融合 (DyCat) 模块.
主要成果:
- MMNet在MM损伤细分精度方面表现出显著的改进.
- 与基线模型相比,IOU和Dice系数分别增加了7.9和6.7个百分点.
- 在3000张MRI切片的专有数据集上进行验证,证实了该模型的有效性和复杂性.
结论:
- 拟议的MMNet有效地提取多尺度特征,并增强用于MM细分的道空间信息相关性.
- 该模型显示出MM诊断和管理中的临床应用的前景.
- 对更大的数据集进行进一步评估是有必要的,以巩固其临床实用性.
