SpineFusion:用于二维MRI图像分类中局部与全局特征融合
SpineFusion for local and global feature fusion in two dimensional MRI image classification
SpineFusion融合ConvNeXt-Tiny与Swin-T编码器分类二维MRI,未显示显著性能优势。
我们评估了结合局部与全局特征对二维磁共振成像(MRI)导出数据进行分类的可行性。SpineFusion 通过双向交叉注意力将 ConvNeXt-Tiny 与 Swin-T 编码器耦合,并可选加入平面嵌入。我们在三个公开图像集上分别训练了独立模型:脊髓 MS–脊髓炎(MSM)、二分类脑部 MS/健康(BT-MS)以及八分类神经系统 MRI(MCND)。重复审计在 MSM 中识别出 46 份冗余的解码像素副本,在 MCND 中识别出 50 份。在分层图像级 10 折交叉验证前移除这些副本后,分别剩余 2,700 张和 11,905 张图像。在清理后的 MSM 上,SpineFusion 达到 94.89 ± 1.09% 的准确率,而 ConvNeXt-Tiny 为 94.63 ± 1.12%,不含平面嵌入时为 95.26 ± 1.06%。在清理后的 MCND 上,SpineFusion 与 ConvNeXt-Tiny 的准确率分别为 98.99 ± 0.42% 和 99.20 ± 0.25%。原始 3,427 张图像的 BT-MS 实验达到 97.78 ± 0.85%。探索性匹配折分析未能确立融合架构或平面嵌入具有统计学支持的性能优势。感知哈希筛查识别出剩余的跨折相似候选。由于可靠受试者与来源映射不可用,这些图像级估计无法确立患者级泛化能力。本研究提供了可复现的可行性评估;临床解读仍需按患者分组的外部验证。
中文由 AI 翻译,仅供参考,以原文为准。
来源:Scientific Reports · nature.com