一个边缘增强的3D mamba U-Net用于儿科脑瘤细分与转移学习
Xiaoyan Sun1, Wenhan He1, Jianing Ruan1
1School of Information Science and Technology, Hangzhou Normal University, Hangzhou, Zhejiang, P.R.China.
Medical physics
|October 5, 2025
概括
这项研究引入了一个边缘增强的3D Mamba U-Net模型,用于改善儿科质瘤细分. 这种新的方法有效地解决了复杂瘤边界和儿科脑瘤细分中的有限数据的挑战.
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
- 儿科神经外科 儿科神经外科
背景情况:
- 儿科质瘤是具有不良预后和在MRI上具有挑战性的细分的侵袭性脑瘤.
- 现有的深度学习模型在儿童质瘤细分方面扎,特别是在复杂的瘤子区域,如瘤核心 (TC) 和增强瘤 (ET).
- 儿科神经成像中的数据稀缺性进一步复杂化了模型训练和概括.
研究的目的:
- 开发一种先进的深度学习模型,用于基于MRI的小儿脑瘤精确细分.
- 克服细分复杂儿科瘤形态的局限性,并应对有限的儿科数据集的挑战.
主要方法:
- 开发了一个边缘增强的3D Mamba U-Net模型,将多尺度特征提取与全球依赖模型集成在一起.
- 一个边缘增强 (EE) 模块被纳入跳过连接中,以完善小儿瘤区域的边界检测.
- 使用非编码器微调 (NEF) 策略进行转移学习,通过使用BraTS 2021和BraTS-PEDs 2023数据集,将成年质瘤模型适应儿科数据.
主要成果:
- 该模型在BraTS-PEDs 2023数据集上实现了高性能,Dice的得分为0.8917 (WT),0.8557 (TC) 和0.6365 (ET).
- 在实验评估中,该方法与基线和现有的儿科质瘤细分方法相比表现优越.
- 实现了瘤子区域的准确细分,包括瘤核心和增强瘤.
结论:
- 拟议的3D Mamba U-Net模型与转移学习和边缘增强有效地细分儿科质瘤.
- 该方法成功地缓解了与复杂的瘤边界和小样本大小相关的挑战,用于儿童脑瘤细分.
- 这种方法为改善儿科脑瘤的诊断准确性和治疗规划提供了有希望的解决方案.