/图像-1/媒体访问控制网络的体系结构
信用:SIBET 中国科学院苏州生物医学工程技术研究所(SIBET)的一组科学家提出了一种基于模态的注意力和上下文网络的新方法，以更好地帮助术前区分交界性上皮性卵巢肿瘤和恶性上皮性卵巢肿瘤这两种不同的妇科肿瘤
具有基于模态的注意和上下文MIL汇集层的多实例卷积神经网络MAC-Net的创新使用可以克服现有的基于多模态智能医学图像的诊断方法的缺点
根据Dr
简·明军，SIBET研究的主要科学家之一
C-MPL模块使用肿瘤分布的强先验知识作为重要参考，并评估相邻图像之间的上下文信息，从而实现更准确的预测
“MAC-Net性能优越，接收机工作特性曲线下面积为0
878，超过了几种已知的MICNN方法，”领导研究小组的高辛说
子宫内膜癌是最致命的妇科恶性肿瘤，占卵巢癌病例的90%
相比之下，BEOTs的恶性潜能较低，没有间质浸润
BEOTs往往比MEOTs有更好的预后，5年生存率为92%，而MEOTs为35%
BEOT患者可以接受保守治疗以保持生育能力和卵巢功能，而MEOT患者需要彻底的手术分期和随后的辅助化疗
因此，术前准确区分BEOTs和MEOTs对于确定合适的治疗策略和提高术后生活质量至关重要
目前，术前BEOTs和MEOTs的鉴别主要由放射科医生使用多参数MRI图像来确定
简说:“这种方法高度依赖经验，主观，耗时，准确率相对较低，在74%到89%之间。”
利用这种方法，可以在没有精确的肿瘤边界的情况下实现自动诊断，而只需要确定肿瘤的顶部和底部位置，从而使其更加智能
该网络具有很强的图像适应性和疾病适应性
该网络不仅可以用于多参数磁共振图像融合，还可以扩展到多模态图像(如CT、PET等)
)融合
它不仅适用于卵巢癌，还可用于实体瘤如肺癌、肝癌、肠癌、乳腺癌和前列腺癌的自动诊断
本研究由国家自然科学基金等机构资助，相关成果发表于《医学中的人工智能》
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
