一种双模块3D融合框架，用于肛门瘘管的多模态MRI分割

《MEDICAL PHYSICS》：A dual-module 3D fusion framework for multi-modal MRI segmentation in anal fistulae

深度学习在MRI图像中Anal Fistula分割的最新进展及其多模态优化方法

　　

摘要

背景

深度学习的最新进展对医学图像分割产生了重大影响，尤其是在人体器官和组织的分割方面。准确的分割对于精确诊断和有效的治疗计划至关重要。然而，在磁共振成像（MRI）图像中分割肛瘘存在显著挑战，因为病变组织与正常组织之间的相似性往往导致较高的假阳性率。

目的

本研究旨在开发一种针对MRI图像中肛瘘的分割方法，通过减少假阳性来提高分割精度，同时有效处理多模态和多方向MRI数据的复杂性。

方法

我们提出了一种新颖的双模块框架。在输入阶段，采用了一种启发式方法来高效地从MRI数据中捕获多维信息。在输出阶段，应用残差技术来优化和增强分割结果，确保多模态和多方向MRI信息的全面整合。此外，引入了一种异常值惩罚Dice损失（OPDL）函数，专门用于解决分割中的假阳性问题。

结果

所提出的方法在950个自收集的多方向MRI扫描数据集上进行了评估。与六种最先进的方法相比，我们的方法表现出更优越的分割性能，Dice得分为0.7324，IoU得分为0.5943，这比表现最好的基线模型有了显著提升。

结论

双模块框架结合选择机制和残差技术，以及创新的OPDL函数，在MRI图像中肛瘘的分割方面取得了显著进展。该方法不仅通过有效区分病变组织和正常组织提高了精度，还降低了计算复杂性，使其成为临床应用中的有前景的工具。

利益冲突声明

作者声明没有利益冲突。