热GSNs:将自身波器和低通图热核集成到图谱卷积网络中,用于大脑瘤细分和分类
Jihun Bae1, Hunmin Lee2, Jinglu Hu3
1Waseda University Graduate School of Information Production and Systems, Hibikino 2-7, Wakamatsu-ku, Kitakyushu, 808-0135, JAPAN.
Biomedical physics & engineering express
|December 20, 2024
概括
新的HeatGSN有效地解决了脑瘤MRI数据集中的类不平衡,使用图谱卷积网络. 这些模型捕获瘤的几何相似性,以较少的参数实现高精度,比现有方法更少.
科学领域:
- 医学成像分析分析 医学成像分析
- 图表表示学习学习学习图表表示学习.
- 人工智能在瘤学中的应用
背景情况:
- 脑瘤细分面临着不平衡的MRI数据集带来的挑战.
- 像CNN和变压器这样的深度学习模型因过度平滑和融合问题而与基于图形的网络扎.
- 现有的图形网络对于捕捉复杂的瘤几何特征并不理想.
研究的目的:
- 提出HeatGSNs,一种用于脑瘤细分的新型图谱卷积网络.
- 解决阶级不平衡问题,克服现有图形网络的局限性.
- 为了提高脑瘤学习任务的准确性和效率.
主要方法:
- 开发了包含自身波器和可学习的低通图热核的热GSN.
- 实现了使用图形热核的连续特征传播机制.
- 对于位移尺度的切比舍夫多项式和修改的贝塞尔函数,近似了以等号形式的机制.
主要成果:
- 在BRATS2021数据集上获得了90%的最佳平均子得分.
- 获得了5.45mm的平均豪斯多夫距离 (95%),平均准确率为80.11%.
- 与现有方法相比,显示的参数显著减少 (1.79M).
结论:
- 热GSN有效地捕捉瘤类内的几何相似性.
- 拟议的方法为大脑瘤细分提供了高效和有效的解决方案.
- 在医疗成像任务中,HeatGSN显示了改善深度学习的前景.
