SaB-Net:用于CT图像中的胃瘤细分的自我注意力倒退网络
Junjie He1, Mudan Zhang2, Wuchao Li2
1Engineering Research Center of Text Computing & Cognitive Intelligence, Ministry of Education, Key Laboratory of Intelligent Medical Image Analysis and Precise Diagnosis of Guizhou Province, State Key Laboratory of Public Big Data, College of Computer Science and Technology, Guizhou University, No. 2288, Huaxi Avenue, Guiyang, 550025, Guizhou, China; Department of Radiology, International Exemplary Cooperation Base of Precision Imaging for Diagnosis and Treatment, Guizhou Provincial People's Hospital, No. 83, Zhongshan Dong Road, Guiyang, 550002, Guizhou, China.
Computers in biology and medicine
|December 22, 2023
概括
这项研究介绍了SaB-Net,这是一种用于在CT扫描中对胃瘤进行细分的AI模型. 通过整合深度学习功能,SaB-Net提高了准确性,有助于胃癌的诊断和治疗.
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:
- 胃癌是全球癌症死亡的主要原因之一.
- 在CT图像中精确细分胃瘤对于患者分析和手术规划至关重要.
- 挑战包括异质瘤强度,低器官对比度和解剖变异性.
研究的目的:
- 在CT图像中开发胃瘤细分 (GTS) 的自动化解决方案.
- 解决处理图像异质性和解剖变异性的现有方法的局限性.
- 提高胃癌诊断和治疗计划的准确性和效率.
主要方法:
- 提出了一种新的自我注意向后网络 (SaB-Net),其中包含一个自我注意向后层 (SaB-Layer).
- SaB-Layer将深层自我注意信息集成到浅层,以改善特征提取.
- 在多中心数据集和公共肝癌数据集上训练并验证了模型.
主要成果:
- 在内部测试组中获得0.8456的Dice分数,在胃瘤细分的外部验证组中获得0.8068分数.
- 在肝癌数据集上表现出强大的转移学习能力,与最先进的模型可比.
- SaB-Net有效地从CT图像中提取和整合瘤特定信息.
结论:
- SaB-Net显示出在帮助临床诊断和治疗胃癌方面的巨大潜力.
- 拟议的架构有效地克服了胃瘤细分方面的挑战.
- 该模型的性能表明,它有助于改善胃癌患者的治疗结果.
