一个双模块的3D融合框架用于多模态MRI细分在尾
Genlang Chen1, Yang Zhou2, Jiajian Zhang1
1NingboTech University, Ningbo, China.
Medical physics
|October 31, 2025
概括
这项研究引入了一种新的双模块框架,用于在MRI扫描中对尾进行细分,显著减少错误阳性并提高更好的诊断的准确性. 该方法增强了复杂的多模式和多方向数据的细分.
科学领域:
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算解剖学的计算解剖学
背景情况:
- 深度学习推进了医疗图像细分,这对于诊断和治疗计划至关重要.
- 由于组织的相似性,MRI中的囊细分具有挑战性,导致高假阳性率.
- 准确的细分对于有效的临床治疗道管至关重要.
研究的目的:
- 开发一种强大的MRI细分方法,用于门.
- 通过最大限度地减少假阳性来提高细分精度.
- 有效地处理复杂的多模式和多方向MRI数据.
主要方法:
- 一个新的双模块框架,集成多维MRI信息.
- 利用剩余技术优化细分和整合多模式数据.
- 引入了异常处罚子损失 (OPDL),以特别减少假阳性.
主要成果:
- 在950个多向MRI扫描中进行评估,获得0.7324的Dice分数和0.5943.3的IoU分数.
- 在六种最先进的细分方法中表现出卓越的性能.
- 与基线模型相比,取得了显著的改进.
结论:
- 与OPDL的双模块框架提高了尾的MRI细分精度.
- 有效地区分病变和正常组织,减少虚假阳性.
- 为有前途的临床应用提供了较低的计算复杂性.


