影像组合规则网络

用低维参数模型显式学习并利用多模态MRI组合规则，在不牺牲精度的前提下实现高效的自动化前列腺癌定位。

Yan, Wen · Chiu, Bernard · Shen, Ziyi · Yang, Qianye · Syer, Tom J. · Min, Zhe · Punwani, Shonit · Emberton, Mark E. · Atkinson, David · Barratt, Dean C. · Hu, Yipeng

Medical Image Analysis 2023

参数信息

病例数

751

技术优势

推理只需一个网络

HyperCombiner将模态组合参数作为超参数训练单一分割网络，推理时按需调节权重，无需多网络前向传播，效率显著提升。

精度不降

线性混合或非线性堆叠模型足以模拟PI-RADS规则，在751例数据上达到与端到端网络相当的定位精度。

规则可解释

从组合模型中获得各模态的线性权重或比值，可定量评估模态可用性、重要性和发现新规则。

应用场景

• 前列腺MR影像分析：自动生成前列腺癌概率图，替代手工勾画。
• 多参数MRI定量分析：学习各模态组合权重，量化多参数MRI贡献。
• 人机协同诊断：提供可解释的模态重要性，辅助放射科医生决策。