解剖引导的多任务学习用于基于MRI的胎盘植入谱系及其亚型分类
图像与视频处理
2025-05-26 v1 人工智能
计算机视觉与模式识别
摘要
胎盘植入谱系障碍（PAS）在孕期构成重大风险，经常导致剖宫产产后出血和其他严重临床并发症，出血严重程度与胎盘侵入程度相关。因此，对PAS及其亚型——胎盘植入（PA）、胎盘植入加深（PI）和胎盘穿透（PP）——进行准确的产前诊断至关重要。然而，现有的指南和方法主要关注PAS的存在，针对亚型识别的研究有限。此外，之前的多类诊断工作主要依赖于低效的两阶段级联二分类任务。在本研究中，我们提出了一种新颖的卷积神经网络（CNN）架构，旨在基于4,140张磁共振成像（MRI）切片对PAS及其亚型进行高效的单阶段多类诊断。我们的模型包含两个分支：主分类分支利用由多个残差块组成的残差块架构，而第二个分支整合了子宫胎盘区域和邻近子宫浆膜层的解剖特征以增强模型在分类过程中的注意力。此外，我们实施了多任务学习策略以有效利用两个分支。在真实临床数据集上进行的实验表明我们的模型达到了最先进的性能。
引用
@article{arxiv.2505.17484,
title = {Anatomy-Guided Multitask Learning for MRI-Based Classification of Placenta Accreta Spectrum and its Subtypes},
author = {Hai Jiang and Qiongting Liu and Yuanpin Zhou and Jiawei Pan and Ting Song and Yao Lu},
journal= {arXiv preprint arXiv:2505.17484},
year = {2025}
}