对于不完整的多式模式脑瘤细分的层次化的进出融合
Fang Liu1,2, YanDuo Zhang3,4, Tao Lu1
1Hubei Key Laboratory of Intelligent Robot, Wuhan Institute of Technology, Wuhan, 430205, China.
Scientific reports
|July 2, 2025
概括
这项研究引入了一种用于脑瘤细分的新型层次内外融合方法,提高了不完整的多式联络数据的准确性. 该方法增强了特征表示,即使缺少数据模式,也保持了有效性.
科学领域:
- 医学成像分析分析 医学成像分析
- 人工智能在瘤学中的应用
- 神经科学和神经成像技术
背景情况:
- 多模式数据融合对于准确的脑瘤细分和诊断至关重要.
- 现有的融合模型由于统一的融合策略而遭受特征冗余和纹理退化.
- 失去独特的关键信息发生在没有模式内融合的情况下,特别是在不完整的数据的情况下.
研究的目的:
- 为增强多式模式脑瘤细分提出一个层次化的进出融合方法.
- 解决现有聚变网络中的特征冗余和纹理细节退化问题.
- 为了提高网络的稳定性并保持缺少数据模式的细分效率.
主要方法:
- 开发了一种具有不同的In-Fusion和Out-Fusion块的等级化In-Out融合方法.
- 外融合区块在浅层使用自我注意 (SAOut-Fusion) 和深层使用空间频域集成 (DDOut-Fusion) 进行交联融合.
- 在融合区块使用堆叠的变压器-CNN区块,用于模式特定特征的层次式模式内融合.
主要成果:
- 拟议的方法在BraTS2018和BraTS2020数据集上显示出卓越的性能.
- 在脑瘤细分任务中提高了网络稳定性.
- 即使在某些数据模式不存在时,也保持了细分的有效性.
结论:
- 层次内外融合方法有效地增强了潜在的相关性特征和独特的关键签名.
- 这种方法克服了传统融合策略的局限性,减少了冗余性,并保留了纹理细节.
- 该方法为脑瘤细分提供了强大的解决方案,特别是在具有不完整多式联络数据的具有挑战性的场景中.
