AGA3DNet：基于解剖学引导的高斯先验与多视角 xLSTM 的 3D 大脑 MRI 亚型分类
计算机视觉与模式识别
2026-05-11 v1
摘要
准确的 3D 大脑 MRI 亚型分类受益于局部解剖学线索和长程情境推理。我们提出 AGA3DNet，一个受报告驱动的框架，将从放射科报告中提取的简短解剖学短语作为软解剖学先验通道，并与轻量级 3D CNN 和多视角 xLSTM 聚合相融合。具体而言，提取的解剖学短语被映射到胚胎学定义的区域，并通过符号距离变换后再经高斯加权转换为平滑的空间先验，提供可解释的、解剖学锚定的指导，无需密集的体素标注。我们在回顾性医院大脑 MRI 数据集上评估了 AGA3DNet，用于异常亚型判别，并与可复现的 3D 分类基线进行比较。AGA3DNet 在指标上实现了 improved 的整体平衡，并通过先验通道支持临床可解释的局部分辨。我们讨论了与单中心评估和缺乏可广泛使用的放射科报告配对的大规模公共大脑 MRI 数据集相关的局限性。
引用
@article{arxiv.2605.07142,
title = {AGA3DNet: Anatomy-Guided Gaussian Priors with Multi-view xLSTM for 3D Brain MRI Subtype Classification},
author = {Peiyu Duan and Xueqi Guo and Sepehr Farhand and Mehmet Berk Sahin and Xinyuan Zheng and James S. Duncan and Gerardo Hermosillo Valadez and Yoshihisa Shinagawa},
journal= {arXiv preprint arXiv:2605.07142},
year = {2026}
}
备注
CVPR CV4CLINIC 2026