Video Experimental Relacionado
Updated: Mar 1, 2026
10:31
Intraoperative Gastroscopy for Tumor Localization in Laparoscopic Surgery for Gastric Adenocarcinoma
Published on: August 9, 2016
13.5K
CGP-Net: Red neuronal de prior guiado por modalidad cruzada para la segmentación precisa del cáncer gástrico
Chaoyang Ge1,2, Yifan Gao1,2, Cheng Liu1,2
1Division of Life Sciences and Medicine, School of Biomedical Engineering (Suzhou), University of Science and Technology of China, Hefei 230026, P. R. China.
Resumen
Un nuevo método, CGP-Net, utiliza modelos de lenguaje grandes para mejorar la segmentación del cáncer gástrico en TC. Este enfoque mejora la precisión para una mejor planificación del diagnóstico y tratamiento clínicos.
Área de la Ciencia:
- Imágenes médicas
- Inteligencia artificial
- Oncología
Sus antecedentes:
- La segmentación precisa del cáncer gástrico en imágenes de TC es vital para la medicina de precisión.
- Los desafíos incluyen el bajo contraste tumor-tejido y la alta variabilidad en las características del tumor.
- Los métodos existentes tienen dificultades con la delineación de límites y la localización precisa.
Objetivo del estudio:
- Desarrollar un método automatizado para la segmentación de imágenes de TC de cáncer gástrico.
- Aprovechar el conocimiento previo intermodal de los informes de diagnóstico.
- Mejorar la precisión de la segmentación y la delineación de límites para aplicaciones clínicas.
Principales métodos:
- Se propuso una red guiada por conocimiento previo intermodal (CGP-Net).
- Se utilizó un modelo de lenguaje grande (LLM) para extraer prior visuales de los informes de diagnóstico.
- Se incorporó un módulo de anclaje y análisis semántico para la localización de lesiones.
- Se empleó un módulo Mamba mixto consciente del contexto para la modelización de características y un módulo de convolución con puerta consciente de los límites para la delineación.
Principales resultados:
- Logró un coeficiente Dice del 78,10 % y un HD95 de 16,44 mm en un conjunto de datos de 349 pacientes.
- Superó a los métodos de vanguardia como U-Mamba y nnUNet en precisión de segmentación y predicción de límites.
- Demostró una mejora significativa en la precisión de la segmentación al integrar los prior textuales.
Conclusiones:
- CGP-Net integra eficazmente la información textual para mejorar la segmentación de imágenes de TC de cáncer gástrico.
- El método aborda los desafíos de bajo contraste y alta variabilidad tumoral.
- Ofrece un valor clínico significativo para mejorar el diagnóstico y la planificación del tratamiento.
