CIA-net:用于从多模态MRI进行卵巢瘤细分的交叉模式交互和聚合网络
Yifan Gao1, Yong'ai Li2, Xin Gao3
1Medical School of Tianjin University, Tianjin, China; Shanghai Innovation Institute, Shanghai, China; School of Biomedical Engineering (Suzhou), Division of Life Sciences and Medicine, University of Science and Technology of China, Hefei, China.
Medical image analysis
|December 17, 2025
概括
这项研究介绍了CIA-Net,这是一种新的深度学习模型,用于使用多模态磁共振成像 (MRI) 分段卵巢瘤. 该网络有效地融合了来自不同MRI序列的信息,以提高临床环境中的细分精度.
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:
- 在MRI中卵巢瘤细分对于癌症诊断和治疗规划至关重要.
- 由于混合的囊性和固体区域,瘤细分具有挑战性.
- T2加权成像是主要的模式,但多模式MRI提供了补充数据.
研究的目的:
- 开发一种自动化的卵巢瘤细分方法,使用多模态MRI.
- 将T1,ADC和DWI模式的互补特征融合到T2加权成像中.
- 为了提高临床应用的细分精度和稳定性.
主要方法:
- 提出了一种跨模式交互和聚合网络 (CIA-Net),一种混合卷积和变压器架构.
- 用于主要 (T2) 和次要 (T1,ADC,DWI) 模式的独立编码器.
- 引入跨模式协作和渐进的社区集成模块,用于功能融合和降噪.
主要成果:
- 在一个大型的多中心数据集 (739名患者) 上评估了CIA-Net的卵巢瘤细分.
- 通过对最先进的方法进行比较实验来证明有效性.
- 对公众大脑和心脏细分基准的验证概括.
结论:
- 美国中央情报局网络通过融合互补特征,有效地从多模态MRI对卵巢瘤进行细分.
- 该方法显示出临床应用的潜力,因为它的准确性和稳定性.
- 跨模式功能融合显著提高了细分性能.
