SDR-Former：用于基于 3D 多期成像肝脏病变分类的孪生双分辨率 Transformer

多期 CT 和 MR 扫描中肝脏病变的自动分类具有临床意义但充满挑战。本研究提出了一种新颖的孪生双分辨率 Transformer（SDR-Former）框架，专为具有不同期数的 3D 多期 CT 和 MR 成像中的肝脏病变分类而设计。提出的 SDR-Former 利用简化的孪生神经网络（SNN）处理多期成像输入，在保持计算效率的同时拥有鲁棒的特征表示。SNN 的权重共享特性通过混合双分辨率 Transformer（DR-Former）得到进一步增强，后者包含一个 3D 卷积神经网络（CNN）和一个定制的 3D Transformer，分别用于处理高分辨率和低分辨率图像。这种混合子架构擅长捕捉详细的局部特征并理解全局上下文信息，从而提升了 SNN 的特征提取能力。此外，引入了一种新颖的自适应期相选择模块（APSM），促进特定于期相的相互通信，并动态调整每个期相对诊断结果的影响。提出的 SDR-Former 框架已在两个临床数据集上通过综合实验进行了验证：一个三期 CT 数据集和一个八期 MR 数据集。实验结果肯定了所提框架的有效性。为了支持科学界，我们将广泛的用于肝脏病变分析的多期 MR 数据集向公众发布。作为该领域首个公开可用的多期 MR 数据集，这一开创性数据集也支撑了 MICCAI LLD-MMRI 挑战赛。数据集访问地址：https://bit.ly/3IyYlgN。