在PET/CT图像中使用CT引导变压器进行自动双模式乳腺瘤细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 乳腺瘤细分对于乳腺癌诊断和治疗计划至关重要.
• 目前的细分方法主要集中在CT图像上,对PET/CT应用有限.
• 需要对PET/CT图像进行准确的细分,以利用功能和结构信息.

研究的目的:

• 开发一种深度学习算法,用于PET/CT图像中的乳腺瘤细分.
• 整合功能 (PET) 和结构 (CT) 信息,以提高细分的准确性和速度.
• 通过提供精确的细分结果,协助医生诊断和治疗患者.

主要方法:

• 提出了一种CT导向变压器模型,用于在PET图像中自动对乳腺瘤进行细分.
• 利用多尺度CT特征生成PET特征的注意力图.
• 采用基于相似性的对比学习来有效地融合多式联运特征.

主要成果:

• 在临床数据集上实现了优异的细分性能,达到了86.19%的Dice和75.73%的Jaccard.
• 在公开的基准测试中,超过了标准交叉注意力方法的3.86%Dice和3.64%Jaccard.
• 与单模和其他多模融合技术相比,证明了更高的精度.

结论:

• 介绍了一种深度学习方法,用于联合细分PET/CT图像.
• 与现有方法相比,显著提高了乳腺瘤划定精度.
• 展示了开发的方法用于增强乳腺瘤诊断的潜力.