DSCENet：用于髙原性肿瘤的动态筛选与临床增强型多模态融合分类
图像与视频处理
2024-07-12 v1 计算机视觉与模式识别
摘要
基于多模态信息对髙原性肿瘤 (MPNs) 的精确亚型分类对于协助医生诊断和长期治疗计划具有重要临床意义。然而，由于缺乏对局部病灶的诊断代表性以及单一模态缺乏诊断相关特征，仍面临巨大的挑战。本文提出了一种用于 MPNs 亚型分类的动态筛选与临床增强型网络 (DSCENet)，融合全切片图像 (WSI) 和临床信息。(1) 提出了动态筛选模块，以灵活适应局部病灶的特征学习，减少无关特征的干扰并增强其诊断代表性。(2) 提出了临床增强型融合模块，用于整合临床指标，探索跨模态的互补特征，提供全面的诊断信息。我们的方法在真实临床数据上得到验证，相较于以前的研究方法实现了 7.91% 的 AUC 提升和 16.89% 的准确率提升。代码地址：https://github.com/yuanzhang7/DSCENet。
引用
@article{arxiv.2407.08167,
title = {DSCENet: Dynamic Screening and Clinical-Enhanced Multimodal Fusion for MPNs Subtype Classification},
author = {Yuan Zhang and Yaolei Qi and Xiaoming Qi and Yongyue Wei and Guanyu Yang},
journal= {arXiv preprint arXiv:2407.08167},
year = {2024}
}
备注
Accepted by MICCAI2024