USBDAN:用于胃瘤细分的无监督规模意识和边界意识域自适应网络

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:

• 在计算机断层扫描 (CT) 中精确的胃瘤细分对于癌症诊断和治疗计划至关重要.
• 来自多中心数据集的数据异质性对开发强大的细分模型构成重大挑战.

研究的目的:

• 提出一种新的无监督交叉中心3D瘤细分方法 (USBDAN),以解决CT图像中的数据异质性.
• 提高不同医疗中心的胃瘤细分的准确性和可靠性.

主要方法:

• 开发了一种新的3D神经网络,即无极型神经网络和变压器 (AsTr),用于从无极型CT分辨率中提取多尺度特征.
• 引入了一个规模感知和边界感知域对齐 (SaBaDA) 模块,用于适应性特征对齐和改进瘤边界划分.

主要成果:

• 拟议的无监督规模感知和边界感知域自适应网络 (USBDAN) 与最先进的方法相比,表现出优越的性能.
• 在多中心CT数据集上的评估证实了该方法在处理数据异质性的有效性.

结论:

• USBDAN方法提供了一个有前途的解决方案,用于在异质的多中心CT数据集中准确和强大的3D胃瘤细分.
• 这种方法有可能改善胃癌管理中的临床决策.