CvTFuse:一种无监督的医学图像融合方法,用于质瘤T1-DWI模式
Qianjia Huang1, Wei Chen1, Jiahui Zeng2
1School of Computer Science and Artificial Intelligence, Changzhou University, Changzhou 213159, China; Department of Radiotherapy, The Affiliated Changzhou NO.2 People's Hospital of Nanjing Medical University, Changzhou 213003, China; Jiangsu Province Engineering Research Center of Medical Physics, Changzhou 213003, China; Center for Medical Physics, Nanjing Medical University, Changzhou 213003, China.
Magnetic resonance imaging
|January 17, 2026
概括
这种新的双分支网络融合了MRI模式,以精确地定位病变. 它有效地结合了扩散权重成像 (DWI) 和T1权重成像 (T1WI) 以改善诊断信息.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 扩散加权成像 (DWI) 提供了微观的水扩散见解.
- T1加权成像 (T1WI) 提供高分辨率的解剖学和组织学数据.
研究的目的:
- 开发一种准确和有效的方法来融合不同的MRI模式.
- 精确地定位病变区域,丰富病变性质分析的信息.
主要方法:
- 一个双分支网络,CvTFuse,结合卷积神经网络 (CNN) 和视觉变压器 (ViT).
- 一个编码器与CNN和变压器模块用于本地和全球特征提取.
- 全球上下文聚合模块 (GCAM) 用于聚合多个尺度的特征.
- 融合层中的能量意识和渐变增强的聚变战略.
- 具有卷积层和跳过连接用于特征重建的解码器.
主要成果:
- 该方法保留了来自源图像的突出信息,纹理细节和清晰的边界.
- 定量指标显示了高平均梯度 (4.5975),信息 (4.9073),相互信息 (2.5181) 和视觉突出性 (0.77).
- 在保持梯度,纹理和边缘细节方面表现优于其他深度学习融合方法,同时最大限度地减少信息丢失和扭曲.
结论:
- 拟议的方法成功地融合了来自不同MRI模式的信息.
- 能够准确地定位病变区域,以进行精确的诊断.
- 通过利用丰富的临床信息,促进制定有效的治疗计划.
