基于多距离特征不相似性引导的全卷积网络的自动化多片细分
Nan Mu1,2,3, Jinjia Guo4, Rong Wang1,2,3
1College of Computer Science, Sichuan Normal University, Chengdu 610101, China.
Mathematical biosciences and engineering : MBE
|December 5, 2023
概括
这项研究引入了一种新的深度学习方法,用于自动细分结直肠息肉,通过关注特征差异来提高检测准确度,并提高模型性能,以更好地预防癌症.
科学领域:
- 医学成像和人工智能 医学成像和人工智能
- 胃肠道学和瘤学
背景情况:
- 结肠直肠多,是恶性瘤的前体,通常通过结肠镜检测.
- 精确的聚细分是具有挑战性的,因为它们的变性特征和周围结构.
- 现有的卷积神经网络 (CNN) 模型在小息肉和上下文相似性方面扎,导致错过或错误的检测.
研究的目的:
- 开发一种新,准确的自动多片细分方法.
- 为了解决当前CNN模型在捕获多特征和细节方面的局限性.
主要方法:
- 引入一个多距离特征不相似性引导的全卷积网络.
- 纳入使用多层特征减去 (MLFS) 的多距离差异 (MDD) 模块,以增强特征提取.
- 利用混合损失 (HL) 模块来监督特征地图并提高预测准确性.
主要成果:
- 提出的方法在自动聚细分方面表现出卓越的性能.
- 在四个数据集的六个评估标准中,超过了五种最先进的方法.
- 有效地捕获不同网络层的区分特征和互补信息.
结论:
- 这种新型网络有效地细分结直肠多,克服了多变异性和上下文结构带来的挑战.
- 该MDD和HL模块显著有助于改善特征表示和预测准确性.
- 这种方法有望提高在结肠镜检查中自动检测的多,帮助早期诊断癌症.
