基于变压器的多尺度特征融合,用于实时CT骨转移检测
Weiming Xie1, Xiaozhou Bai1, Miao Liu2
1College of Medicine and Biological Information Engineering, Northeastern University, Shenyang, Liaoning, 110167, China; Department of Nuclear Medicine, General Hospital of Northern Theater Command, Shenyang, Liaoning, 110016, China.
Bone
|November 15, 2025
概括
一个新的AI模型,BM-DETR,使用增强的CT成像精确检测骨转移. 这项技术有助于早期癌症查和诊断,改善患者的治疗结果.
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:
- 骨转移是晚期癌症的常见严重并发症.
- 早期和准确检测骨转移性病变对于及时干预和改善患者结果至关重要.
- 计算机断层扫描 (CT) 对于非侵入性骨损伤识别至关重要,但在使用深度学习模型检测小,低对比度的损伤方面仍然存在挑战.
研究的目的:
- 开发一种先进的深度学习模型,通过CT扫描精确有效地检测骨转移.
- 解决现有模型在处理低对比度病变和复杂瘤微环境方面的局限性.
- 提高AI在诊断骨转移性疾病中的实时适用性和准确性.
主要方法:
- 拟议的BM-DETR是一个基于变压器的模型,包含空间上下文增强模块 (SCEM),AttentionUpsample和扩展变压器注意力块 (DTAB).
- 通过道注意力和空间混合,SCEM增强了低对比度的损伤特征.
- 注意Upsample融合了多尺度的特征,而DTAB提高了上下文建模和效率.
主要成果:
- 在OsteoScan数据集上,BM-DETR实现了0.9376的平均平均精度 (mAP50).
- 在BMSeg数据集上,BM-DETR实现了0.9139的mAP50,超过了最先进的方法.
- 该模型展示了高精度和计算效率之间的平衡.
结论:
- BM-DETR为自动骨转移检测提供了强大的解决方案,显著提高了诊断能力.
- 该模型的效率和准确性支持早期查和智能诊断的潜在边缘部署.
- 这项工作为人工智能驱动的骨转移诊断系统的临床翻译奠定了基础.


