自动化肺瘤细分,适用于各种瘤大小,使用基于一致性学习的多尺度双重注意力网络
Jumin Lee1, Min-Jin Lee1, Bong-Seog Kim2
1Department of Software Convergence, Seoul Women's University, Seoul, Republic of Korea.
Journal of X-ray science and technology
|July 10, 2023
概括
由于尺寸变化,精确的肺瘤细分具有挑战性. 一个新的基于一致性学习的多尺度双重注意网络 (CL-MSDA-Net) 显著改善了细分性能,特别是在较小的瘤中.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 由于瘤大小的显著变化 (小于1厘米到超过7厘米),自动细分肺瘤是困难的.
- 瘤大小会影响细分的准确性,往往导致细分不足或过多.
研究的目的:
- 开发和评估一种基于一致性学习的多尺度双重注意网络 (CL-MSDA-Net),用于精确的肺瘤细分.
- 在自动化细分中应对不同肺癌大小所带来的挑战.
主要方法:
- 一种大小不变的补丁生成技术使瘤与结构的比率正常化.
- 双分支网络使用一致性学习,共享权重和使用一致性损失函数.
- 每个分支都包含一个多尺度的双重注意力模块,以增强跨尺度和注意力机制的特征学习.
主要成果:
- 在医院数据集上,CL-MSDA-Net的F1得分为80.49%,高达3.91%的U-Net变体的表现优于.
- 在NSCLC-Radiomics数据集中,CL-MSDA-Net获得了71.7%的F1得分,比U-Net变体的表现高达3.66%.
- 该网络在各种瘤大小中表现出卓越的性能,在较小的瘤中显著改善.
结论:
- CL-MSDA-Net有效地提高了所有瘤大小的肺瘤细分精度.
- 拟议的网络显示了改善肺癌诊断和治疗规划的巨大潜力.
