实验室横向项目 · 多模态医学影像

多序列 MRI 肿瘤分类与多模态特征融合

合作单位

项目背景

面向多序列 MRI 肿瘤分类任务，针对不同 MRI 序列间的信息差异、病灶尺度变化及特征融合困难等问题，基于 680 例患者影像数据，开展原始数据集构建、多分支深度学习分类网络研发及影像组学特征融合研究。

负责医院提供的原始 MRI 影像整理及第三方标注团队对接，参与标注规范制定、质量抽检、异常问题反馈、返工复核及最终交付验收。

基于 Python 完成 DWI、T1WI-IP、T2WI 多序列病例匹配、三维 ROI 提取及标准化预处理，将原始影像与标注数据整理为可用于模型训练及评估的规范化数据集。

基于 3D ResNet18 开发多序列三分支分类网络，针对不同 MRI 序列的特征差异，设计 MSKA 多尺度特征提取与 AMF 自适应融合模块，增强肿瘤多尺度特征表达及跨序列信息融合能力。

研发的 M3HAF-Net 在内部、外部测试集上的 AUC 分别达到 0.860、0.827。

结合 PyRadiomics 提取影像组学特征，利用特征筛选及分类建模方法开展深度学习与影像组学融合实验。

最终融合模型内部、外部测试 AUC 分别达到 0.874、0.845，并采用 Grad-CAM、SHAP 等方法辅助分析模型的决策依据与特征贡献。

M3HAF-Net 与最终融合模型的内部、外部测试 AUC 对比
模型	内部 AUC	外部 AUC
M3HAF-Net	0.860	0.827
最终融合模型	0.874	0.845

以上指标对应项目所述内部、外部测试范围，不代表临床诊断或实际部署效果。个人网站不展示原始患者资料。