使用多模分段任何模型 (MSAM) 进行脑瘤细分,缺少模式适应

科学领域:

• 医学成像
• 人工智能
• 神经瘤学

背景情况:

• 精确的质瘤细分对于治疗计划至关重要.
• 现有的模型难以实现多式联运数据集成和缺失数据场景.
• 开发各种临床数据的强大细分模型至关重要.

研究的目的:

• 为质瘤细分引入一种新型的多式细分模型 (MSAM).
• 通过多式核磁共振和扩散张力成像数据来提高脑瘤细分的准确性.
• 解决临床环境中缺少数据的挑战.

主要方法:

• 开发了一种多模式的功能融合块,用于整合多种成像数据.
• 实施缺失模式培训方法来处理不完整的数据集.
• 使用子相似系数和95%的豪斯多夫距离度量对比MSAM与U-Net.

主要成果:

• 在各种模式组合中,MSAM的表现始终优于U-Net.
• 当单独使用结构性MRI数据时,性能增长显著.
• 包括较小的瘤区域在内的MSAM显示出强度和适应性.

结论:

• MSAM在质瘤细分方面取得了显著的进步,
• 该模型能够处理缺失的数据,使其适用于现实世界的临床应用.
• 进一步的研究应探索MSAM在不同瘤大小和复杂性的性能.