多式混合孟巴分类模型用于使用磁共振图像进行瘤病理等级预测
Langtao Zhou1, Tianyu Fu2, Xiaoxia Qu3
1The Beijing Engineering Research Center of Mixed Reality and Advanced Display, School of Optics and Electronics, Beijing Institute of Technology, Beijing 100081, China.
概括
一个新的多式混合马巴 (MSHM) 模型改进了使用多序MRI的非侵入性瘤病理分级. 这种先进的AI准确地预测瘤等级,优于现有的方法,用于更好的个性化癌症治疗.
科学领域:
- 医学成像分析分析 医学成像分析
- 人工智能在瘤学中的应用
- 计算病理学计算病理学
背景情况:
- 精确的恶性瘤病理分类对于个性化治疗至关重要,但传统方法依赖于侵入性活检.
- 磁共振成像 (MRI) 为瘤评估提供了一个非侵入性的替代方案,但现有的方法在交叉模式的相关性和全球依赖性方面存在困难.
研究的目的:
- 开发和评估使用多序MRI进行非侵入性瘤病理等级预测的多模式混合Mamba (MSHM) 分类模型.
- 通过有效地捕捉医疗成像数据中的交叉模式相关性和全球依赖性,解决现有方法的局限性.
主要方法:
- MSHM模型整合了卷积神经网络 (CNN) 来进行特征提取,Mamba编码器用于全球依赖,以及跨模态注意力来融合多序MRI数据 (T1,T2,T1C).
- 一个Mamba-Fusion模块被纳入,以改进整体特征,改善病变识别和计算效率.
主要成果:
- 在不同的数据集上,MSHM实现了高性能:98.36%的AUC和92.08%的F1-Score用于轨道副淋巴瘤,98.93%的AUC和95.82%的F1-Score用于质瘤 (BraTS 2024) 和99.25%的AUC和96.97%的F1-Score用于肝损伤 (LLD-MMRI).
- 废弃研究证实了MSHM架构中的单个模块的有效性.
结论:
- 该MSHM模型在多式联络医疗图像分析中展示了卓越的性能和效率,用于瘤病理等级预测.
- MSHM推进了非侵入性瘤评估,为个性化癌症治疗策略提供了一个有前途的工具.
