使用双分支多任务学习网络,同时对结肠癌聚类图像进行细分和分类

科学领域:

• 医学成像分析分析 医学成像分析
• 医疗保健中的人工智能
• 计算病理学计算病理学

背景情况:

• 准确的聚细分和分类对于结直肠癌的诊断和治疗至关重要.
• 现有的方法经常单独处理细分和分类,由于任务相关性而限制了它们的有效性.
• 息肉带来了诸如随机区域,各种形状/大小以及类似的边界/背景等挑战,目前的模型难以坚定地解决这些挑战.

研究的目的:

• 开发一个强大的多任务网络,同时对多片进行细分和分类.
• 为了提高准确性,利用细分和分类任务之间的相关性.
• 为了有效地处理医疗图像中聚体出现的固有复杂性.

主要方法:

• 一个双分支网络,将变压器和卷积神经网络 (CNN) 结合起来,用于增强本地和全球特征表示.
• 一个特征交互模块 (FIM) 弥合语义差距,并集成变压器和CNN分支之间的信息.
• 一个反向注意力边界增强 (RABE) 模块,以保存和增强关键边缘细节,以精确识别多重体.

主要成果:

• 拟议的多任务网络在聚细分和分类任务中都表现出卓越的性能.
• 在五个公共数据集上进行了广泛的实验,证实了与最先进的方法相比,该方法的有效性.
• 双分支结构和专用模块 (FIM,RABE) 显著改善了对多变异和边缘细节的处理.

结论:

• 开发的多任务网络为结直肠癌查中的多分析提供了更有效和更强大的解决方案.
• 同时的细分和分类,加上高级功能集成和边界增强,可以提高诊断准确度.
• 这种方法代表了临床应用的自动化多重体检测和表征的重大进步.