微SegNet:一个深度学习方法用于前列腺细分在微超声图像上的前列腺细分
Hongxu Jiang1, Muhammad Imran2, Preethika Muralidharan3
1Department of Electrical and Computer Engineering, University of Florida, Gainesville, FL, 32608, United States.
概括
一个新的AI模型MicroSegNet在微超声波图像中准确地细分前列腺,改善前列腺癌诊断. 这种技术提高了细分的准确性,超过了人类注释者.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 微超声波 (micro-US) 为前列腺癌诊断提供高分辨率成像.
- 精确的前列腺细分对于临床应用至关重要,但由于图像文物和不清楚的边界,在微型上具有挑战性.
- 现有的细分方法难以应对微型前列腺成像的复杂性.
研究的目的:
- 开发和评估MicroSegNet,一个新的深度学习模型,用于精确的前列腺细分在微型超声波图像.
- 为了应对微型美国前列腺细分中的文物和模糊边界的挑战.
- 提高前列腺细分的可靠性,用于诊断,活检和治疗计划.
主要方法:
- 开发MicroSegNet,一个多尺度注释引导的变压器UNet模型.
- 引入注释引导的二进制交叉 (AG-BCE) 损失函数,以关注难以分割的区域.
- 整合AG-BCE损失与多层次深度监督,以增强功能学习.
主要成果:
- 在75名患者 (55名培训,20名测试) 的数据集上,MicroSegNet实现了0.939的Dice系数和2.02毫米的Hausdorff距离.
- 该模型显著超过了几种最先进的细分方法.
- 与不同经验水平的三名人类注释者相比,MicroSegNet表现出更高的性能.
结论:
- 微SegNet提供了一个强大的,准确的解决方案,用于前列腺细分在微超声波成像.
- 拟议的AG-BCE损失和多层次的深度监管有效地改善了在具有挑战性的情况下的细分性能.
- 这一进步为低成本,准确的前列腺癌诊断和管理带来了巨大的潜力.
