使用多层次Bi-LSTM识别和定位惰性和侵略性前列腺癌
1College of Computing and Information Technology, Shaqra University, 11961, Shaqra, Saudi Arabia. aalhassan@su.edu.sa.
Journal of imaging informatics in medicine
|March 6, 2024
概括
这项研究引入了一个新的框架,使用多层次的Bi-LSTM模型来准确检测和定位前列腺癌. 该模型有效地区分惰性癌症和攻击性癌症,提高了诊断准确度.
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:
- 准确识别惰性和攻击性前列腺癌对于有效治疗至关重要,但目前的方法面临的挑战是准确性有限,并区分癌症和健康组织.
- 现有的前列腺癌检测技术往往遭受错误的阳性和阴性,因为依赖于不准确的基准真理标签和忽视病理特征.
研究的目的:
- 开发一个全面的框架,用于准确识别和定位前列腺癌,无论侵略性.
- 通过整合先进的深度学习技术来克服当前诊断方法的局限性.
主要方法:
- 利用多层次双向长短期记忆 (Bi-LSTM) 模型用于前列腺癌的识别和定位.
- 使用ResNet-101的U-Net细分和基于频道的注意模块进行图像预处理和特征图表生成.
- 集成的统计,全球混合,ResNet-101功能地图,进一步优化与道和空间注意力机制增强检测.
主要成果:
- 该框架实现了高性能指标:96.72%的准确性,96.17%的敏感性和96.17%的特异性在数据集1上.
- 在数据集2上,该模型表现出强有力的结果,准确率为94.41%,灵敏度为93.10%,特异性为94.96%.
- 拟议的方法在前列腺癌检测方面显著超过了现有的替代方法的效率.
结论:
- 开发的框架提供了一种有前途的方法,可以改善惰性和攻击性前列腺癌的诊断和定位.
- 多层次Bi-LSTM,U-Net细分和注意力机制的整合提供了强大而准确的癌症识别.
- 该模型在不同数据集上的验证有效性突出显示了其在前列腺癌管理中的临床应用潜力.
