LEM-UNet:一个边缘引导的网络用于3D多式模式图像细分在焦点皮质发育不良
Qiunan Li1, Hao Yu2, Manli Zhang1
1School of Information and Communication Engineering, Beijing University of Posts and Telecommunications, Beijing, China.
Frontiers in neuroscience
|October 24, 2025
概括
焦点皮层发育不良 (FCD) 病变细分通过使用拉普拉斯金字塔来更好地识别微妙的病变边缘的新型网络得到改善. 这种以边缘为导向的方法提高了耐火性病例的定位精度.
科学领域:
- 医学图像分析 医学图像分析
- 人工智能在医学中的应用
- 神经学 神经学
背景情况:
- 焦点皮层发育不良 (FCD) 是耐火性的主要原因.
- 精确地定位FCD病变是具有挑战性的,因为它们的细微和模糊的边缘.
- 现有的细分方法在精确划分FCD边界方面存在困难.
研究的目的:
- 开发一个边缘引导的细分网络,以改善FCD病变的本地化.
- 通过专注于损伤边缘特征来提高FCD细分的性能.
- 解决FCD中微妙和模糊的损伤边缘所带来的挑战.
主要方法:
- 提出了拉普拉斯边缘混合联网 (LEM-UNet),基于MedNeXt的基线.
- 整合了拉普拉斯边缘注意力 (LEA) 块,以捕获病变细节和边缘信息,使用拉普拉斯金字塔特征地图和注意力.
- 利用多策略功能融合 (MFF) 块在解码过程中将边缘功能与高级功能集成在一起.
主要成果:
- 通过5倍交叉验证,LEM-UNet在两个独立数据集上表现出卓越的性能.
- 实现了0.452 (开放数据集) 和0.597 (私人数据集) 的平均子系数.
- 在各自的数据集上,与基线模型相比,表现有2.40%和2.90%的性能改善.
结论:
- 突出病变边缘对于有效的FCD细分至关重要.
- 拉普拉斯金字塔的整合显著提高了该模型细分带有模糊边缘和微妙特征的病变的能力.
- 与当前的FCD细分算法相比,LEM-UNet提供了相当大的优势.
