LCRNet:基于CT图像进行肝癌分类的本地跨道再校准网络

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:

• 肝癌是全球主要的健康问题,推动了对更好的诊断工具的需求.
• 计算机辅助诊断 (CAD) 系统旨在提高肝癌检测的效率和精度.
• 具有注意力机制的卷积神经网络 (CNN) 在医学图像分析中表现有前途.

研究的目的:

• 引入一种新的架构单元,即本地跨通道再校准 (LCR) 模块,用于增强医疗图像分析中的CNN.
• 开发一个深度神经网络,LCRNet,结合LCR模块,从CT图像中准确识别肝癌.
• 通过使用新的临床CT数据集 (AMU-CT) 和公共数据集来验证LCRNet的有效性.

主要方法:

• 提出了一个新的局部跨通道再校准 (LCR) 模块,以动态调整特征地图的重要性.
• 将LCR模块与剩余块集成,以创建剩余-LCR模块.
• 通过在CT图像中堆叠残留LCR模块来构建一个深度神经网络,LCRNet.
• 利用新收集的AMU-CT数据集和公共SD-OCT数据集进行实验验证.

主要成果:

• 与基于注意力的CNN相比,LCRNet在两个数据集上都表现出了卓越的性能.
• 在AMU-CT数据集上,与ECANet相比,LCRNet的准确性提高了11%以上.
• 拟议的LCR模块有效地整合了全球背景特征,并建立了道之间的本地依赖关系.

结论:

• 在使用CT图像检测肝癌的深度学习中,LCRNet代表了显著的进步.
• 新的LCR模块增强了CNN的表示能力,从而提高了诊断准确度.
• 公开可用的AMU-CT数据集将有助于进一步研究肝癌图像分析.