Uncertainty-guided and cross-modality attention network for liver tumor segmentation and quantification via integrating dynamic MRI
Notice bibliographique
Résumé
Segmentation and quantitative measurement of liver tumors, including hemangiomas and hepatocellular carcinoma (HCC), using dynamic Magnetic Resonance Imaging (MRI) sequences are crucial for effective treatment and prognosis. However, these tasks remain challenging due to two key issues: (1) the severe class imbalance between tumors and background, particularly for small HCC lesions, which complicates precise feature extraction; and (2) the diverse imaging features across dynamic MRI phases, making effective fusion of multi-phase information difficult. To address these challenges, this study proposes the Uncertainty-guided and Cross-modality Attention Network (UgCmA-Net). UgCmA-Net incorporates three innovative components: (1) a cross-modality attention pyramid module within a parallel attention-based encoder, enhancing tumor-specific feature extraction across dynamic phases; (2) a fusion Transformer (F-Trans), where the non-local Transformer captures long-range dependencies, and the phase-aware Transformer fuses multi-phase dynamic MRI features; and (3) an uncertainty-guided auxiliary-primary segmentor, which improves edge confidence and segmentation accuracy through uncertainty estimation. The UgCmA-Net was validated using dynamic MRI sequences (T1 pre-contrast MRI, arterial-phase, portal venous phase, and delay-phase contrast-enhanced MRI) from 265 clinical subjects. Experimental results show that the proposed UgCmA-Net achieves state-of-the-art performance, with a dice similarity coefficient of 85.44%, Hausdorff Distance of 2.28 mm, and mean absolute error values of 1.85 mm, 1.90 mm, 6.52 mm, and 97.27 mm 2 for multi-index quantification of center point, max-diameter, circumference, and area, respectively. Statistical analysis confirms that the improvements are statistically significant (p < 0.05), demonstrating the robustness of the proposed method. These findings demonstrate that UgCmA-Net is highly effective for liver tumor segmentation and quantification, indicating its potential clinical value in liver tumor analysis and treatment planning.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».