AG-MS3D-CNN 多尺度注意力引导的3D卷积神经网络,用于在MRI协议中进行强大的脑瘤细分
Umesh Kumar Lilhore1, R Sunder1, Sarita Simaiya1
1School of Computer Science and Engineering, Galgotias University, Greater Noida, UP, India.
Scientific reports
|July 7, 2025
概括
这项研究介绍了AG-MS3D-CNN,这是一种新的深度学习模型,用于自动化从MRI扫描中对脑瘤进行细分. 该模型提高了准确性,并提供了不确定性估计,改善了神经瘤学的临床决策.
科学领域:
- 神经瘤学神经瘤学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 多式核磁共振 (MRI) 的精确脑瘤细分对于神经瘤学至关重要,但在手动方法和当前的深度学习模型中面临着挑战.
- 现有的深度学习方法在概括,精确的边界划分和可靠的不确定性估计方面扎.
研究的目的:
- 开发一种以注意力为导向的多尺度3D卷积神经网络 (AG-MS3D-CNN),用于自动化和强大的脑瘤细分.
- 改进瘤边界划分,提供不确定性估计,并确保跨多种数据集和MRI协议的概括性.
主要方法:
- 拟议的AG-MS3D-CNN模型集成多尺度特征提取和空间注意力机制.
- 集成的蒙特卡洛脱落用于不确定性估计和域调整模块用于增强通用性.
- 利用多任务学习框架,同时进行细分,分类和体积估计.
主要成果:
- 与最先进的方法相比,AG-MS3D-CNN在BraTS 2021和外部数据集 (OASIS,ADNI,IXI) 上表现出卓越的性能.
- 获得了高的子分数,表明在各种MRI数据中具有出色的细分精度和稳定性.
- 该模型为细分提供了有价值的信心评分,有助于临床决策支持.
结论:
- AG-MS3D-CNN提供了一个强大的,准确的解决方案,用于自动化脑瘤细分从多式核磁共振.
- 注意力,多尺度特征,不确定性估计和域适应的整合提高了神经瘤学的临床实用性.
- 这种模型代表了计算机辅助诊断和脑瘤管理中的治疗规划的重大进步.
