U-Swing:一种适应性的U-Net和Swin融合,用于WB-MRI全脊椎骨髓细分
George G Botis1, Theodoros Panagiotis Vagenas2, Nikolas Robotis2
1Biomedical Engineering Laboratory, School of Electrical and Computer Engineering, National Technical University of Athens, 15773, Zografou, Greece. botis_g@biomed.ntua.gr.
Journal of imaging informatics in medicine
|October 7, 2025
概括
全身MRI (WB-MRI) 骨髓细分通过新的U-Swing深度学习模型得到了改进. 这种AI工具提高了多发性骨髓瘤 (MM) 诊断和治疗监测的准确性.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 全身MRI (WB-MRI) 是一种非侵入性成像技术,可用于多系统性疾病,包括癌症分期和监测.
- 针对骨髓 (BM) 疾病,特别是多发性骨髓瘤 (MM) 的手动分析WB-MRI是耗时的,并且由于数据丢失而限制了临床效用.
- 针对全面的BM特征的自动化方法尚未得到充分研究,这阻碍了详细的瘤负载评估.
研究的目的:
- 介绍U-Swing,一种混合深度学习模型,用于自动化WB-MRI全脊椎骨髓细分.
- 为了解决手工分析和MM评估当前指南的局限性.
- 为了实现详细的骨髓特征提取,以改善瘤负载评估.
主要方法:
- 开发U-Swing,这是一个混合深度学习模型,结合了Swin变压器 (SM) 和U-Net模块 (UM).
- 实现动态特征融合 (U-Swing Patch Fusion) 和层次优化 (阶段智能U-Swing适应) 的实现.
- 使用T1加权的轮旋回回声 (T1W-TSE) 序列对WB-MRI骨髓细分的U-Swing的评估.
主要成果:
- 在WB-MRI骨髓细分中,U-Swing取得了卓越的性能.
- 获得了0.928的子相似度 (DS) 评分,3.919毫米的豪斯多夫距离 (HD95) 和0.281毫米的平均对称表面距离 (ASSD).
- 性能优于已有的模型架构,包括U-Net,Swin-UNETR和UNETR.
结论:
- U-Swing为WB-MRI骨髓细分提供了准确高效的自动化解决方案.
- 该模型的性能表明,改善MM诊断,分期和治疗反应监测的巨大潜力.
- 这种自动化方法促进了骨髓的全面表征,解决了当前临床实践的局限性.
