M-AECA Net:一个基于Mamba的辅助编码器与交叉注意力融合网络用于PET/CT瘤细分
IEEE journal of biomedical and health informatics
|November 5, 2025
概括
这项研究介绍了M-AECA,这是一种增强放射治疗医疗图像细分的AI模型. 它提高了瘤划定精度,这对于精确的癌症治疗计划至关重要.
科学领域:
- 医学成像分析 医学成像分析
- 在瘤学中使用人工智能
- 放射治疗规划 放射治疗规划
背景情况:
- pozitron发射断层扫描 (PET) 和计算机断层扫描 (CT) 融合为诊断,分期和治疗评估提供了重要的代谢和解剖瘤数据.
- 精确的瘤细分对于放射治疗至关重要,但由于模糊的边界,不确定的位置和多焦点疾病而具有挑战性.
- 现有的细分方法难以应对各种瘤特征的复杂性.
研究的目的:
- 开发一种先进的AI模型,用于PET/CT图像中准确和自动的瘤细分.
- 为了提高射线治疗规划的目标划定精度.
- 增强特征提取和融合,以实现强大的瘤细分.
主要方法:
- 扩展了STUNet模型,在TotalSegmentator数据集上进行了预训练.
- 集成了一个基于Mamba的辅助编码器 (M-AE) 用于多级全局特征提取.
- 开发了一个跨分支特征融合模块 (IBFFM),利用交叉注意力和特征子空间投影来实现全面的特征融合.
主要成果:
- 与现有方法相比,拟议的M-AECA模型在Hecktor和AutoPET数据集上取得了更高的性能.
- 在测试组中获得了70.86% (Hecktor) 和64.91% (AutoPET) 的平均子相似系数.
- 废弃实验证实了M-AE和IBFFM组件的显著贡献.
结论:
- M-AECA模型为放射治疗的自动瘤细分提供了重大进展.
- 集成基于Mamba的编码和先进的功能融合提高了细分的准确性.
- 这种方法有望改善放射治疗规划和患者的治疗结果.
