在甲状腺相关的轨道病变中,从部分标记和未对齐的多模态MRI进行多器官细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 眼科医生 眼科 眼科

背景情况:

• 甲状腺相关轨道病 (TAO) 是一种自身免疫性疾病,导致轨道变形和视力丧失.
• 使用多模式MRI对TAO的定量评估至关重要,但受到细分挑战的阻碍.
• 现有的方法缺乏对多模式,未对齐的TAOMRI数据进行全面细分.

研究的目的:

• 开发一种用于TAO中自动多器官细分的新方法,使用部分标记的,未对齐的多模态MRI数据.
• 引入跨模式的注意力自我训练 (CMAST) 方法,以改善TAO评估.
• 通过精确的MRI细分来增强TAO的定量分析.

主要方法:

• 提出了一个跨模式的伪标签自我培训计划,以完善标签以进行全面的细分.
• 开发了一种可学习的注意力融合模块,用于在没有严格的像素智能对齐的情况下汇集多模式知识.
• 集成的原型对比性学习损失用于跨模态特征对齐.

主要成果:

• 在TAO受影响器官在T1和T1cMRI模式上的全面细分方面,CMAST方法取得了有前途的表现.
• 与以前的方法相比,在一个大型的临床TAO队列 (100例) 上表现出优异的性能.
• 验证了跨模式注意力和自我训练对细分精度的有效性.

结论:

• 在TAO中,CMAST为多模态MRI细分提供了一个强大的解决方案,解决了现有技术的局限性.
• 该方法促进了定量评估,可能改善TAO的临床管理.
• 开发的方法显示了推动TAO研究和诊断的巨大潜力.