深层次意识细分:MRI的新框架 脑瘤细分

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

背景情况:

• 有效的脑瘤细分依赖于利用标签层次结构.
• 目前的方法与等级预测依赖性和标签相似性作斗争,限制了可解释性和准确性.

研究的目的:

• 提出一个新的框架,深层次意识细分 (DHAS),用于可解释和准确的脑瘤细分.
• 解决有关等级依赖和标签相似性的现有方法的局限性.

主要方法:

• DHAS通过输出取决于父标签的像素智能概率来生成层次预测,从条件到无条件概率进行训练.
• 建议使用树三位数损失来利用标签相似性,通过在特征嵌入空间中强加层次诱导的距离.

主要成果:

• 与其他利用等级的方法相比,DHAS在BraTS2018,BraTS2019和BraTS2020数据集上表现显著优越.
• 该框架在Brats2020挑战赛的383名参与者中获得了前5名的排名.
• 在ACDC数据集上显示了对心脏细分的概括.

结论:

• DHAS提供了对脑瘤细分的分层解释和高精度预测.
• 该框架显示了临床应用的潜力,因为性能和可解释的输出得到了改进.
• 提出的方法是有效的,并且可以将其推广到其他细分任务中.