MGA-Net: 一种用于精确新生儿脑成像的新型掩码引导注意力神经网络
图像与视频处理
2025-07-15 v3 计算机视觉与模式识别
统计计算
摘要
在本研究中，我们介绍了MGA-Net，一种新颖的掩码引导注意力神经网络，它扩展了U-net模型，用于精确的新生儿脑成像。MGA-Net旨在从其他结构中提取大脑并重建高质量的脑图像。该网络采用一个公共编码器和两个解码器：一个用于脑掩码提取，另一个用于脑区域重建。MGA-Net的一个关键特征是其高级掩码引导注意力模块，该模块利用来自脑掩码解码器的特征来增强图像重建。为了使相同的编码器和解码器能够同时处理MRI和超声(US)图像，MGA-Net集成了正弦位置编码。这种编码为MRI和US图像分配不同的位置值，使模型能够有效地从两种模态中学习。因此，从单一模态学习到的特征可以帮助学习数据较少的模态，例如US。我们在来自不同临床环境和新生儿年龄组的多样且独立的数据集上广泛验证了所提出的MGA-Net。评估指标包括：图像分割的DICE相似系数、召回率和准确率；图像重建的结构相似性；以及从3D超声图像估计总脑体积的均方根误差。我们的结果表明，MGA-Net显著优于传统方法，在脑提取和分割方面提供了卓越的性能，同时在图像重建和体积分析中实现了高精度。因此，MGA-Net代表了MRI和3D超声图像的一种稳健且有效的预处理工具，标志着神经影像学的一项重大进步，增强了新生儿期及以后的临床诊断和研究。我们的代码可在https://github.com/BahramJafrasteh/MGA-Net获取。
引用
@article{arxiv.2406.17709,
title = {MGA-Net: A Novel Mask-Guided Attention Neural Network for Precision Neonatal Brain Imaging},
author = {Bahram Jafrasteh and Simon Pedro Lubian-Lopez and Emiliano Trimarco and Macarena Roman Ruiz and Carmen Rodriguez Barrios and Yolanda Marin Almagro and Isabel Benavente-Fernandez},
journal= {arXiv preprint arXiv:2406.17709},
year = {2025}
}