PDC-Net:平行扩展的卷积网络,用于垂体腺瘤细分的道注意力机制
Qile Zhang1, Jianzhen Cheng2, Chun Zhou1
1Department of Rehabilitation, The Quzhou Affiliated Hospital of Wenzhou Medical University, Quzhou People's Hospital, Quzhou, China.
Frontiers in physiology
|September 15, 2023
概括
这项研究介绍了PDC-Net,这是一种用于MRI扫描中的垂体腺瘤细分的新型深度学习模型. 该网络在识别瘤方面实现了高精度,提高了诊断能力.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 准确的医学图像细分对于智能诊断和治疗至关重要.
- 垂体腺瘤细分的挑战包括阶级不平衡,模糊的界限和有限的训练数据.
研究的目的:
- 开发一个强大的和有效的深度学习网络,用于MRI图像中的垂体腺瘤细分.
- 提高自动化医疗图像分析的准确性和可靠性.
主要方法:
- 开发了一个并行扩展卷积网络 (PDC-Net),用并行扩展卷积模块 (PDCM) 取代标准的U-Net卷积块,用于多层次的特征提取.
- 整合了道注意力机制 (CAM),以改善损伤与非损伤差异化.
- 添加了剩余连接,以减轻深度网络中的梯度消失和性能退化.
- 子损失被用来解决阶级不平衡问题.
主要成果:
- 在一个自主建立的数据集上,PDC-Net实现了高绩效指标.
- 灵敏度:90.92% 的灵敏度.
- 具体性: 99.68% 的 具体性.
- 子的价值: 88.45% 的时间.
- 在欧盟 (IoU) 上的交叉点:79.43%
结论:
- 在MRI中,PDC-Net在垂体腺瘤细分方面表现出显著的有效性和稳定性.
- 拟议的网络架构成功地解决了医疗图像细分方面的关键挑战.
- 这些发现支持PDC-Net在智能诊断和治疗中临床应用的潜力.
