マルチスケールアテンションとコンテキスト特徴融合による大腸腺癌腺分節の強化

科学分野:

• デジタル病理学;医用画像解析;腫瘍学における人工知能

背景:

• 正確な大腸癌の分級と予後は、正確な組織画像分節に依存しています。既存の自動化された方法は、腺構造、染色バリエーション、および組織の不均一性において限界に直面しています。

研究 の 目的:

• 大腸癌腺分節を強化するための深層学習モデルであるMAC-Netを導入すること。腫瘍学における自動組織画像分析の精度と信頼性を向上させること。

主な方法:

• マルチスケール特徴融合と注意機構によるコンテキストデコーディングを統合したMAC-Netを開発しました。微細構造情報のためのチャネルごとの注意と、グローバルコンテキストのためのマルチスケール空間プーリングを利用しました。EBHI-Segデータでトレーニングし、一般化のためにGIaSデータでクロスバリデーションを行いました。

主要な成果:

• MAC-Netは、95.08%のDice、90.92%のIoU、95.83%のPrecision、95.65%のRecallで優れたパフォーマンスを達成しました。腫瘍の分化段階が多様な既存の自動分節アーキテクチャを上回りました。勾配重み付けクラス活性化マッピングと不確実性分析により、モデルの解釈可能性が実証されました。

結論:

• MAC-Netは、正確な大腸癌腺分節のための堅牢なソリューションを提供します。モデルの解釈可能性は、デジタル病理学における信頼性の高い臨床的意思決定をサポートします。分節精度の向上は、癌の分級、予後、および治療計画に役立ちます。