相关实验视频
Updated: Jul 8, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
406
MM-SFENet:使用空间特征编码器网络在MRI中进行多规模多任务定位和分类膀癌症
Yu Ren1,2,3, Guoli Wang2,3, Pingping Wang2,3
1College of Electronic Engineering and Intelligent Manufacturing, Anqing Normal University, Anqing 246133, People's Republic of China.
Physics in medicine and biology
|December 13, 2023
概括
这项研究引入了一个新的AI网络,MM-SFENet,用于使用MRI扫描自动定位和分类膀癌侵入性. 该模型显示高精度,可能有助于临床诊断和分期.
科学领域:
- 泌尿器科 泌尿器科 泌尿器科 泌尿器科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 膀癌是一种常见的尿路癌,具有肌肉侵入性和非肌肉侵入性亚型.
- 精确的膀癌分期对于有效的治疗计划至关重要.
研究的目的:
- 开发一种自动化方法,使用MRI进行膀癌侵袭性局部化和分类.
- 提出一个新的端到端的多尺度多任务空间特征编码器网络 (MM-SFENet).
主要方法:
- 开发了MM-SFENet,具有残留块骨干,用于区分膀壁和瘤.
- 采用空间特征编码器来学习基于瘤-膀壁空间关系的分类标准.
- 利用IOU损失而不是Smooth-L1损失来提高多任务学习的准确性.
主要成果:
- MM-SFENet在两个独立的数据集上实现了高性能指标.
- 测试组1的结果:mAP 93.34%,IoU 83.16%,Acc 85.65%,Sen 81.51%,Spec 89.23%. 测试组1的结果是:mAP 93.34%,IoU 83.16%,Acc 85.65%,Sen 81.51%,Spec 89.23%. 测试组1的结果是:mAP 93.34%,IoU 83.16%,Acc 85.65%,Sen 81.51%,Spec 89.23%. 测试组1的结果是:mAP 93.34%,IoU 83.16%,Acc 85.65%,Sen 81.51%,Spec 89.23%. 测试组1的结果是:mAP 93.34%,IoU 83.16%,Acc 85.65%,Sen 81.51%,Spec 89.23%. 测试组1的结果是:
- 测试组2的结果:mAP 80.21%,IOU 75.43%,Acc 79.52%,Sen 71.87%,Spec 77.86%. 测试组2的结果:mAP 80.21%,IOU 75.43%,Acc 79.52%,Sen 71.87%,Spec 77.86%. 测试组2的结果:mAP 80.21%,IOU 75.43%,Acc 79.52%,Sen 71.87%,Spec 77.86%. 测试组2的结果:mAP 80.21%,IOU 75.43%,Acc 79.52%,Sen 71.87%,Spec 77.86%. 测试组2的结果:
结论:
- 拟议的MM-SFENet有效地定位和分类膀癌的侵入性.
- 这种人工智能方法可以作为一个有价值的补充诊断工具,用于膀癌的分期.
