用于GIST风险评估的EUS-多普勒特征的层次关注融合

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 准确的胃肠道 stromal 瘤 (GISTs) 的术前风险分层对于患者的管理和预后至关重要.
• 目前使用内镜超声波 (EUS) 进行自动诊断,由于风险水平的结构相似性,难以对稳定的GIST进行分类.
• 瘤大小的变化和从单个受体场提取特征的局限性阻碍了GIST诊断中的分类准确性.

研究的目的:

• 开发一个先进的深度学习模型,以改善GISTs的手术前恶性瘤风险评估.
• 来自EUS图像的结构信息与多普勒图像的血液流动密度数据进行整合,以提高诊断性能.
• 通过结合多尺度特征提取能力来应对不同瘤大小的挑战.

主要方法:

• 提出了一个新的基于等级的注意力的多模式特征融合网络 (HAMNet),集成EUS和多普勒成像数据.
• 采用了一种代的多式联通注意力集成器 (IMAI) 来选择性地增强跨式联通互补功能.
• 引入了一个分层多尺度瘤分类 (HMTC) 模块,以有效地捕获不同大小的GIST的特征.

主要成果:

• 在pEUS-Doppler-GISTs数据集上,HAMNet模型以0.875的精度 (ACC) 和0.856的曲线下面积 (AUC) 实现了高性能.
• 与现有的最先进的算法相比,在GIST恶性瘤风险评估中表现出卓越的性能.
• 与其他多模式方法相比,显著提高模型灵敏度高达0.196,特别是在高风险瘤中.

结论:

• 哈姆网有效地融合了多式成像数据 (EUS和多普勒) 以进行准确的手术前GIST恶性瘤风险评估.
• 拟议的网络架构,包括IMAI和HMTC,克服了处理结构相似性和瘤大小变化的现有方法的局限性.
• 在计算机辅助诊断 (CAD) 系统中,HAMNet显示出显著的临床应用潜力,用于GIST,提高诊断准确度和帮助治疗决策.