热成像和MRI中的多模融合用于早期癌症检测
Ching-Hsien Hsu1, C Pandeeswaran2, Elizabeth Jesi V3
1Department of Computer Science and Information Engineering, Asia University, Taiwan; Department of Medical Research, China Medical University Hospital, China Medical University, Taiwan.
Journal of thermal biology
|May 3, 2025
概括
一个新的AI模型将热和MRI图像融合在一起,用于提升早期乳腺癌检测. 这种先进的多模式融合递归神经网络 (MMF-RvNN) 通过结合代谢和结构数据来改善瘤识别.
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:
- 早期癌症检测需要结合结构和代谢信息的成像.
- 传统的方法,如热成像和MRI,当单独使用时有局限性.
- 整合互补的成像模式可以提高诊断准确性.
研究的目的:
- 开发和验证一种新的无监督多模式融合递归神经网络 (MMF-RvNN),用于融合热成像和MRI数据.
- 通过生成高质量的融合图像来增强早期乳腺癌检测,以捕捉热和解剖细节.
- 为了改善瘤划线,并可能减少放射治疗规划时间.
主要方法:
- 使用解剖学地标来调整热和MRI图像的非刚性注册.
- 预处理包括min-max规范化,二线性插值和非本地平均值 (NLM) 无声化.
- 使用静态曲线变换 (SCLT) 和t分布式静态邻居嵌入 (t-SNE) 进行图像融合的多分辨率分析.
- 在MMF-RvNN框架内使用内容,风格和L1损失函数训练生成器.
主要成果:
- 货币市场基金-RvNN实现了0.98的结构相似度指数 (SSIM) 和45.9dB的峰值信号噪声比 (PSNR).
- 观察到高频错误规范 (HFEN) 减少了0.019,标准化平均平方误差 (NMSE) 减少了0.006,相互信息 (MI) 减少了0.91.
- 融合图像有效地将MRI的软组织细节与热成像的代谢洞察力相结合,导致高度准确的瘤检测.
结论:
- 拟议的MMF-RvNN框架成功地融合了热和MRI数据,以改善乳腺癌检测.
- 这种综合成像方法通过结合结构和代谢信息来增强早期瘤的识别能力.
- 该方法显示了在瘤学中推进临床决策的潜力,改善放射治疗规划和目标划定.
