MGML:用于不完整的多式模式脑瘤细分的插件和操作的元引导多式模式学习框架
Yulong Zou1, Bo Liu2, Cun-Jing Zheng3
1School of Mathematics and Computer Sciences, Nanchang University, Nanchang 330031, China; School of Information Engineering, Nanchang University, Nanchang 330031, China.
概括
这项研究引入了一种元引导的多模式学习框架,以使用不完整的磁共振成像 (MRI) 数据来改善脑瘤细分. 这种新的方法提高了损伤细分的准确性,即使缺少MRI模式.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算生物学 计算生物学
背景情况:
- 多模式磁共振成像 (MRI) 对脑瘤细分至关重要.
- 临床MRI数据往往不完整,阻碍了有效的病变细分.
- 从不完整的多模式核磁共振成像中最大限度地获取信息是一个重大的研究挑战.
研究的目的:
- 为大脑瘤细分提供一种新的元引导多模式学习 (MGML) 框架.
- 为了应对临床实践中不完整的多模式MRI数据的挑战.
- 加强利用可用的多式联运信息,以改善细分.
主要方法:
- 开发了一个元指导多模式学习 (MGML) 框架,有两个组成部分:元参数化的自适应模式融合 (Meta-AMF) 和一致性规范化.
- 在不同的输入条件下,Meta-AMF可自适应地整合来自多种模式的信息,生成软标签监督信号以实现连贯的融合.
- 一致性规范化增强了细分性能,稳定性和通用性,而不会改变原始模型架构.
主要成果:
- 与最先进的方法相比,MGML框架在BraTS2020和BraTS2023数据集上取得了更高的性能.
- 在BraTS2020上,15个缺失模式组合的平均子得分为87.55% (WT),79.36% (TC) 和62.67% (ET).
- 该方法可以无地集成到培训管道中,以实现端到端的优化.
结论:
- 拟议的MGML框架有效地利用不完整的多模式MRI数据来增强脑瘤细分.
- 该方法表现出强度和概括能力,性能优于现有方法.
- 该框架为利用不完整的临床MRI数据提供了一个实际的解决方案,源代码公开可用.
