针对目前胶质瘤影像数据利用率不高、特征提取不全面等问题,提出一种基于深度学习的半监督胶质瘤肿瘤蛋白53(Tumor Protein 53,P53)突变状态预测方法 .首先,使用非均匀粒度多批次(Non-Uniform Granularity Multi-Batch,NUGMB)灰度等级...针对目前胶质瘤影像数据利用率不高、特征提取不全面等问题,提出一种基于深度学习的半监督胶质瘤肿瘤蛋白53(Tumor Protein 53,P53)突变状态预测方法 .首先,使用非均匀粒度多批次(Non-Uniform Granularity Multi-Batch,NUGMB)灰度等级划分算法,优化胶质瘤MR影像的预处理;其次,提出多中心协作(Multi Center Collaboration,MCC)的K均值聚类算法,进行胶质瘤影像数据的伪标签标注;最后,提出一种全新的注意力机制LWAM(Local Longer and Wider Attention Modules),构建基于LWAM的改进MaxViT模型,用于胶质瘤P53突变状态术前无创预测.基于NUGMB,MCC和LWAM算法的NML-MaxViT模型预测胶质瘤P53突变状态的准确率为96.23%,可实现术前无创预测,辅助医生的临床诊疗.展开更多
文摘针对目前胶质瘤影像数据利用率不高、特征提取不全面等问题,提出一种基于深度学习的半监督胶质瘤肿瘤蛋白53(Tumor Protein 53,P53)突变状态预测方法 .首先,使用非均匀粒度多批次(Non-Uniform Granularity Multi-Batch,NUGMB)灰度等级划分算法,优化胶质瘤MR影像的预处理;其次,提出多中心协作(Multi Center Collaboration,MCC)的K均值聚类算法,进行胶质瘤影像数据的伪标签标注;最后,提出一种全新的注意力机制LWAM(Local Longer and Wider Attention Modules),构建基于LWAM的改进MaxViT模型,用于胶质瘤P53突变状态术前无创预测.基于NUGMB,MCC和LWAM算法的NML-MaxViT模型预测胶质瘤P53突变状态的准确率为96.23%,可实现术前无创预测,辅助医生的临床诊疗.
