BriefGPT - AI 论文速递
·
FORESEE: 癌症生存鲁棒预测的多模态和多视图表示学习
💡
原文中文，约200字，阅读约需1分钟。
📝
内容提要
我们提出了一种融合-分叉学习框架，用于多模态图像的生存预测。实验证明，我们的网络（XSurv）在头颈部PET-CT图像的生存预测中优于现有方法。
🎯
关键要点
- 提出了一种融合-分叉学习框架用于多模态图像的生存预测。
- 使用混合并行交叉注意力块（HPCA）融合多模态特征。
- 在分叉解码器中使用区域特定注意力门（RAG）块筛选与病变区域相关的特征。
- 框架在头颈部PET-CT图像的生存预测中得到了验证。
- 实验结果表明，网络（XSurv）优于现有的生存预测方法。
➡️
