顶刊速看:Nature Communications IF14.7基于多序列MRI的共面注意力模型助...

正文

请到「今天看啥」查看全文

研究方法

（1）构建了一个 多中心 的膝关节MRI数据集，该数据集涵盖了12种膝关节异常，包括1748名受试者。

（2）开发了一个名为CoPAS的深度学习模型， 该模型利用跨序列的共面注意力机制来分类膝关节异常，同时 增强来自不同平面的图像信息，从而提高对细微病变的识别能力。

（3） 模型设计了三个分支，分别处理来自不同成像平面（矢状面、冠状面和轴位面）的图像。

算法是有创新的，从算法示意图看来，

1）相对一般模型单个输入，这里多输入，使网络可以捕获更多的信息

2）特征提取使用了 cross-plane-attention 和cross-sequence-attention模块，实现跨平面和序列的特征融合。

（4）使用内部数据集进行模型训练和验证，并使用外部数据集评估模型的泛化能力。 同时，通过与放射科医生的诊断结果进行比较，评估模型的临床应用潜力。

研究结果

（ 1）通过 CoPAS 进行准确且可推广的膝关节异常诊断

该模型展示了良好的膝关节异常诊断能力。

具体模型表现：

• CoAS 在检测大多数异常时效果显著。

• MRNet 在检测内侧韧带撕裂（MCL）和积液（EFFU）时表现更好。

• MPFuseNet 在前交叉韧带撕裂（ACL）的检测中得分最高。

（2）CoPAS 为放射科医生提供有效的诊断帮助

CoPAS 对复杂膝关节的诊断提供了实质性的作用。

①CoPAS 模型在所有异常上均超过了初级放射科医生，并在 12 种异常中的 5 种上优于高级放射科医生。

②CoPAS 的平均准确率略低（0.78 至 0.80）。

③模型在处理复杂空间形态方面显示出更高的准确性，能有效处理多个切片间的空间关系。

请到「今天看啥」查看全文