[论文] Anatomy-aware Fine-grained Multimodal Fusion for Laryngopharyngeal Can...

论文概要

研究领域: Medical AI
作者: Xingyue Zhao, Yanzhou Su, Fang Zhang, Zhanghexuan Ji, Yirui Wang, Dazhou Guo, Sibo Ju, Yuehua Cheng, Yuzhen Chen, Ming Feng, Le Lu, Tsung-Ying Ho, Jian Wang, Dakai Jin, Na Shen
发布时间: 2026-10-05
arXiv: 2610.06837

中文摘要

准确的T分期对指导喉咽癌个性化治疗策略至关重要。当前临床实践依赖侵入性活检，而基于CT的分期由于肿瘤侵袭的复杂模式仍然困难。现有计算机辅助方法面临两个关键挑战：1）结构关系建模：现有方法低估肿瘤侵袭的解剖结构化模式，要么在没有肿瘤特异性解剖约束的情况下处理整个CT体数据，要么依赖劳动密集型的肿瘤分割。2）细粒度跨模态对齐：放射学报告包含器官特异性侵袭细节，但应用全局特征融合的方法难以准确将单个解剖结构与其对应的文本描述对齐。为此，我们提出一个解剖感知的多模态框架，将器官级CT上下文和放射学报告整合到统一表示中。框架首先构建解剖结构化的器官图（AOG）捕获原发灶与周围器官间的侵袭模式，然后执行器官锚定的跨模态对齐（OCA）使每个器官节点聚合报告中的文本证据，最后通过报告增强的图细化（REG）注入从报告中提取的器官特异性侵袭线索，生成结合空间和文本证据的多模态器官图。大量实验证明了该框架在喉咽癌T分期中的优越性能。

原文摘要

We propose an anatomy-aware multimodal framework integrating organ-level CT context and radiology reports for laryngopharyngeal cancer T-staging, using an Anatomy-Structured Organ Graph, Organ-Anchored Cross-Modal Alignment, and Report-Enhanced Graph-Refinement.

自动采集于 2026-10-07

#论文 #arXiv #MedicalAI #小凯