[基于融合神经网络模型的多式磁共振成像脑瘤细分的研究进展]
Wenyang Yang1, Chao Du1, Ruijie Zhang1
1School of Computer Science, Xi'an Shiyou University, Xi'an 710065, P. R. China.
概括
本综述探讨了使用磁共振成像 (MRI) 进行多模式脑瘤细分的融合神经网络. 它根据融合水平对方法进行了分类,并分析了它们的性能,为未来的模型开发提供了见解.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 使用多式磁共振成像 (MRI) 精确的脑瘤细分对于临床诊断至关重要.
- 数据差异带来了挑战,阻碍了精确的瘤建模和细分.
- 融合神经网络为整合多模式MRI数据提供了有前途的战略.
研究的目的:
- 自2019年以来,系统地审查用于多模式脑瘤细分的融合神经网络研究.
- 根据其融合水平对现有的融合方法进行分类和分析.
- 讨论这个研究领域的局限性和未来趋势.
主要方法:
- 将融合神经网络分类为预测,特征和阶段融合模型.
- 对不同级别的核聚变的结构特征和细分性能进行比较分析.
- 对2019年以来发表的研究进行系统性文献综述.
主要成果:
- 融合神经网络有效地整合了多模式MRI信息,用于大脑瘤细分.
- 不同的聚变水平 (预测,特征,阶段) 呈现出不同的结构特征和性能.
- 分析突出了各种基于核聚变的方法的优缺点.
结论:
- 融合神经网络是推动多模式脑瘤细分的关键重点.
- 了解融合水平对于设计优化细分模型至关重要.
- 本综述为人工智能驱动的神经瘤学成像分析的未来研究和开发提供了基础.
