BUFNet:对MR脑瘤细分的边界意识和不确定性驱动的多模式融合网络
Tongxue Zhou1, Su Ruan2, Baiying Lei3
1School of Information Science and Technology, Hangzhou Normal University, Hangzhou, 311121, Zhejiang, China.
Medical image analysis
|November 4, 2025
概括
这项研究引入了一个用于脑瘤细分的新网络,通过专注于瘤边界和减少不确定性来提高准确性. 边界意识和不确定性驱动的多模式融合网络 (BUFNet) 提高了诊断可靠性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经科学是一个神经科学.
背景情况:
- 准确的脑瘤细分对于诊断和治疗计划至关重要.
- 现有的方法难以处理复杂的瘤边界,缺乏不确定性估计.
- 确定性细分结果限制了临床可靠性和解释性.
研究的目的:
- 提出一个新的边界意识和不确定性驱动的多模式融合网络 (BUFNet) 来增强MR脑瘤细分.
- 解决细分复杂瘤边界和量化预测不确定性的挑战.
- 在临床环境中提高细分结果的可靠性和可解释性.
主要方法:
- 开发了一个边界意识机制来提取和利用瘤边界信息,以改善歧视.
- 实施了有效的多模式融合战略,以整合来自各种MR模式的互补信息.
- 引入了基于不确定性的细分损失函数,并为信心指标纳入了不确定性量化.
主要成果:
- 拟议的BUFNet与现有的最先进的方法相比,表现出更高的性能.
- 边界意识机制有效地改善了瘤子区域的歧视.
- 不确定性量化为临床解释提供了有价值的信心指标.
结论:
- 通过有效处理复杂的边界和不确定性,BUFNet在MR脑瘤细分方面取得了重大进展.
- 边界意识和不确定性驱动方法的整合提高了细分的准确性和临床效用.
- 该方法在改善神经瘤学诊断准确性和治疗规划方面表现有前途.
