文献类型：期刊文章

作　　者：王黎[1] 曹颖[1] 田梨梨[1] 陈祈剑[1] 郭顺超[1] 张健[1] 王丽会[1]

Wang Li;Cao Ying;Tian Lili;Chen Qijian;Guo Shunchao;Zhang Jian;Wang Lihui(Key Laboratory of Intelligent Medical Image Analysis and Precise Diagnosis of Guizhou Province,School of Computer Science and Technology,Guizhou University,Guiyang 550025,China)

机构地区：[1]贵州大学计算机科学与技术学院,贵州省智能医学影像分析与精准诊断重点实验室,贵阳550025

出　　处：《中国图象图形学报》

基　　金：国家自然科学基金项目(61661010);中法“蔡元培”交流合作项目(201841400TC);贵州省科技计划项目(黔科合平台人才[2018]5301,黔科合基础[2020]1Y255)。

年　　份：2021

卷　　号：26

期　　号：9

起止页码：2243-2256

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：目的胶质瘤的准确分级是辅助制定个性化治疗方案的主要手段,但现有研究大多数集中在基于肿瘤区域的分级预测上,需要事先勾画感兴趣区域,无法满足临床智能辅助诊断的实时性需求。因此,本文提出一种自适应多模态特征融合网络(adaptive multi-modal fusion net,AMMFNet),在不需要勾画肿瘤区域的情况下,实现原始采集图像到胶质瘤级别的端到端准确预测。方法 AMMFNet方法采用4个同构异义网络分支提取不同模态的多尺度图像特征;利用自适应多模态特征融合模块和降维模块进行特征融合;结合交叉熵分类损失和特征嵌入损失提高胶质瘤的分类精度。为了验证模型性能,本文采用MICCAI(Medical Image Computing and Computer Assisted Intervention Society) 2018公开数据集进行训练和测试,与前沿深度学习模型和最新的胶质瘤分类模型进行对比,并采用精度以及受试者曲线下面积(area under curve,AUC)等指标进行定量分析。结果在无需勾画肿瘤区域的情况下,本文模型预测胶质瘤分级的AUC为0.965;在使用肿瘤区域时,其AUC高达0.997,精度为0.982,比目前最好的胶质瘤分类模型——多任务卷积神经网络同比提高1.2%。结论本文提出的自适应多模态特征融合网络,通过结合多模态、多语义级别特征,可以在未勾画肿瘤区域的前提下,准确地实现胶质瘤分级预测。

关 键 词：胶质瘤分级  深度学习  多模态融合 多尺度特征 端到端分类  

分 类 号：TP391.41]