LCMF-Net:一个轻量级的协作多式联接融合网络用于脑瘤细分
Guogang Cao1, Zhaojun Yang1, Wanying Liang1
1Faculty of Intelligence Technology, Shanghai Institute of Technology, China.
概括
一个新的轻量级协作多模式融合网络 (LCMF-Net) 提高了1.6%的脑瘤细分精度,同时将计算成本降低了50%以上. 这种方法为临床应用提供了实际的解决方案.
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
- 神经成像是一种神经成像.
背景情况:
- 准确的脑瘤细分对于临床决策至关重要,但手动方法效率低下.
- 深度学习方法在多式联运功能集成和计算成本方面面临挑战.
- 现有的方法很难有效地结合来自不同MRI序列和相邻切片的信息.
研究的目的:
- 推出一种新的轻量级协作多模式融合网络 (LCMF-Net),用于高精度和高效率的脑瘤细分.
- 解决当前深度学习模型中多式联网功能集成和计算复杂性的局限性.
- 开发用于临床脑瘤细分的实用和可靠工具.
主要方法:
- 拟议的LCMF-Net使用具有交叉模式和交叉切片注意力 (CMCSA) 的多分支编码器来增强功能.
- 整合了基于状态空间模型的融合 (SSM-Fusion) 模块,用于适应性,空间连续的特征集成.
- 采用了空间维度减小策略,并改进了剩余起始块 (RIB),以在2D约束范围内高效地进行3D上下文建模.
主要成果:
- 与最先进的方法相比,LCMF-Net在细分精度上实现了1.6%的改进.
- 证明计算成本降低了50%以上.
- 展示了强大的细分性能与低计算复杂性.
结论:
- LCMF-Net为临床脑瘤细分提供了一种实用且可靠的解决方案.
- 该网络有效地整合了多模式MRI功能,并保持了空间连续性.
- 在现实应用中实现高精度和计算效率之间的平衡.
