多模式前后治疗一致性学习,用于自动细分和评估威利斯圆圈
Zehang Lin1, Yusheng Liu2, Jiahua Wu1
1School of Computer and Information Engineering, Xiamen University of Technology, Xiamen, China.
概括
这项研究引入了使用CT和MR血管学分析大脑血管变化的新框架. 它提高了细分的准确性,可靠地评估治疗的有效性,克服了以前的局限性.
科学领域:
- 神经成像是一种神经成像.
- 医学图像分析 医学图像分析
- 血管生物学 血管生物学
背景情况:
- 威利斯圆 (CoW) 对于脑血管健康诊断至关重要.
- CT血管造影 (CTA) 和MR血管造影 (MRA) 用于治疗前后的评估.
- 以前的单一模式细分方法导致累积错误,阻碍了准确的治疗评估.
研究的目的:
- 开发一个全面的框架,用于准确的Cow细分和治疗疗效评估在不同的成像模式.
- 在Cow分析中,解决区分细分错误与实际治疗效果的挑战.
- 改善对血管疾病治疗结果的临床评估.
主要方法:
- 提出了一个跨模态语义一致性网络 (CMSC-Net) 进行细分,其中包括一个模态对对齐模块 (MPAM) 和跨模态注意模块 (CMAM).
- 集成了一个新的损失函数,用于跨CTA和MRA模式的语义一致性.
- 开发了一个语义一致性评估网络 (SC-ENet),通过跟踪形态变化来自动评估治疗疗效.
主要成果:
- 在CTA和MRA模式中,CMSC-Net实现了一致的威利斯圆圈细分.
- SC-ENet展示了高精度的治疗疗效的自动评估.
- 综合框架有效地减轻单模式细分产生的累积错误.
结论:
- 拟议的框架在成像模式中提供准确和一致的威利斯圆细分.
- 该框架允许可靠的治疗疗效的自动评估,区分治疗效果和细分工件.
- 这种方法通过改善治疗前后的评估来增强血管疾病治疗的临床决策.
