参数地图指导可解释的乳腺癌细分框架,使用胺质子转移加权成像

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:

• 胺基质子转移加权 (APTw) 成像对于乳腺癌诊断,治疗评估和预后至关重要.
• 在APTw图像中对乳腺病变的自动细分具有挑战性,但对于量化是必要的.

研究的目的:

• 使用原始图像开发APTw成像的细分模型.
• 使用不同频率偏移的病变和周围组织之间的不同对比,以改善细分.

主要方法:

• 提出了一个多任务网络,整合了病变细分,病理分类和APTw参数图匹配.
• 细分模型包含不同频率的多个图像,以利用不同的组织对比度.

主要成果:

• 与U-Net,SAM,Med-SAM和TransBTS等先进模型相比,提出的方法实现了更高的精度 (ACC).
• 模型的解释性得到了增强,显示了不同灰色对比度如何对细分产生影响.
• 病理分类和参数地图拟合任务被证明可以提高细分精度.

结论:

• 多任务学习,特别是病理分类和参数拟合,可以提高APTw成像中的乳腺损伤细分精度.
• 开发的模型为临床环境中自动化乳腺病变细分提供了一个有前途的方法.