基于U-Net深度学习细分模型的病理部分的开发和验证,用于检测食道粘膜和状细胞瘤
Feng Su1, Wei Zhang2, Yunzhong Liu3
1Department of Thoracic Surgery, Zhongshan Hospital, Fudan University, Shanghai, China.
Journal of gastrointestinal oncology
|November 16, 2023
概括
这项研究使用U-Net架构开发了食道状细胞癌 (ESCC) 的深度学习细分模型. 这些模型在内部验证中取得了很高的准确性,显示出临床应用的前景.
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:
- 深度学习显示了高分辨率图像处理的潜力.
- 在生物医学图像细分方面,U-Net模型非常出色.
- 有限的研究存在于深度学习对于食道状细胞癌 (ESCC) 分段.
研究的目的:
- 为ESCC开发深度学习细分系统.
- 评估基于U-Net的模型对ESCC细分的有效性.
主要方法:
- 使用基于视觉几何组 (VGG) 的U-Net架构.
- 模型经过训练,并在手术样本上进行内部验证.
- 外部验证是在内镜活检部分上进行的.
- 通过IOU,准确性,DSC和AUC等指标来评估性能.
主要成果:
- 内部验证显示了粘膜和瘤细分的高性能 (例如,IOU>93%的粘膜,>91%的瘤).
- 外部验证显示性能较低 (IOU ~50-60%),表明需要更大的数据集.
- 基于U-Net权重的转移学习模型产生了最佳的结果.
结论:
- 开发的模型显示ESCC细分的内部性能令人满意.
- 有潜力将其整合到临床实践和标准计算机中.
- 可概括性受到研究规模的限制;对于强大的外部验证,需要更大的队列.
