MamTrans:用于高度质瘤和脑膜瘤的磁共振成像细分算法,整合了注意力机制和状态空间模型
Cheng Lv1, Xu-Jun Shu2,3, Jun Qiu4
1School of Mathematics and Computer Sciences, Nanchang University, Nanchang, China.
Quantitative imaging in medicine and surgery
|July 3, 2025
概括
MamTrans算法使用集成的状态空间模型和注意力机制准确地细分脑瘤,如质瘤和脑膜瘤. 这种新的方法提高了脑瘤细分的计算效率和临床适用性.
科学领域:
- 医疗成像和人工智能的人工智能
- 神经外科和瘤学
- 计算生物学和生物信息学
背景情况:
- 对脑瘤 (脑膜瘤和脑瘤) 的准确细分对于临床管理和手术规划至关重要.
- 磁共振成像 (MRI) 是至关重要的,但由于瘤的变异性和复杂的解剖学,细分是具有挑战性的.
- 像Mamba和注意力机制这样的现有模型在特征提取和计算效率方面存在局限性.
研究的目的:
- 引入MamTrans算法,集成状态空间模型 (SSM) 和注意力机制.
- 为了提高计算效率,并保持对脑瘤的细分精度.
- 为了解决目前脑瘤细分模型的局限性.
主要方法:
- 利用了418个轴向T1加权对比增强的MRI数据集 (177个高度质瘤,241个脑膜瘤).
- 采用五重交叉验证来进行可靠的绩效评估.
- 开发并验证了结合SSM和注意力机制的MamTrans算法.
主要成果:
- 通过MamTrans实现了高分段性能:质瘤 IoU 88.12,DSC 89.23;脑膜瘤 IoU 90.26,DSC 91.27.
- 外部数据集验证显示IOU为90.34,DSC为91.25.
- 在细分精度和效率方面表现优于U-Net,DeepLab和Attention U-Net.
结论:
- MamTrans算法在细分质瘤和脑膜瘤方面表现出卓越的性能.
- 实现多种瘤形态的高精度细分,降低了复杂性和计算开销.
- 对于脑瘤评估和手术规划具有重要的临床价值.
