NeoNet: 基于生成驱动分类的端到端3D MRI深度学习框架用于无创预测神经周围浸润
计算机视觉与模式识别
2026-04-01 v1 人工智能
摘要
减少侵入性诊断程序以降低患者受伤和感染风险是医学成像的核心目标。然而，非侵入性诊断神经周围浸润（PNI）——一种涉及肿瘤细胞沿周围神经浸润的关键预后因素——仍然具有挑战性，原因在于缺乏识别PNI的明确且一致的成像标准。为应对这一挑战，我们提出了NeoNet，一个用于胆管癌PNI预测的集成端到端3D深度学习框架，不依赖预定义的图像特征。NeoNet集成了三个模块：（1）NeoSeg，利用肿瘤局部感兴趣区域裁剪（TLCR）算法；（2）NeoGen，一个3D潜在扩散模型（LDM）配合ControlNet，以解剖掩模为条件生成合成图像块，特别将数据集平衡至1:1比例；以及（3）NeoCls，最终预测模块。对于NeoCls，我们开发了PNI注意力网络（PattenNet），它使用冻结的LDM编码器和专门设计的3D双注意力块（DAB），用于检测指示PNI的细微强度变化和空间模式。在5折交叉验证中，NeoNet优于基线3D模型，并取得了最高性能，最大AUC达到0.7903。
引用
@article{arxiv.2603.29449,
title = {NeoNet: An End-to-End 3D MRI-Based Deep Learning Framework for Non-Invasive Prediction of Perineural Invasion via Generation-Driven Classification},
author = {Youngung Han and Minkyung Cha and Kyeonghun Kim and Induk Um and Myeongbin Sho and Joo Young Bae and Jaewon Jung and Jung Hyeok Park and Seojun Lee and Nam-Joon Kim and Woo Kyoung Jeong and Won Jae Lee and Pa Hong and Ken Ying-Kai Liao and Hyuk-Jae Lee},
journal= {arXiv preprint arXiv:2603.29449},
year = {2026}
}
备注
15 pages, 5 figures. Accepted for oral presentation at W3PHIAI Workshop, AAAI 2026