SC-Net:用于结直肠病理学图像细分的对称形网络
相关实验视频
Updated: Jun 30, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
395
Gang Zhang1, Zifen He1, Yinhui Zhang1
1Faculty of Mechanical and Electrical Engineering, Kunming University of Science and Technology, Kunming 650500, China.
Computer methods and programs in biomedicine
|March 23, 2024
概括
对称状网络 (SC-Net) 通过有效提取多尺度特征和保存空间信息来改善结直肠癌图像细分,优于现有模型. 这一进步有助于计算机辅助的医疗诊断系统.
科学领域:
- 医学图像分析 医学图像分析
- 计算机辅助诊断 计算机辅助诊断
- 组织病理学 细分 细分
背景情况:
- 卷积神经网络在抽取异构的语义信息和在不同受体场的背景依赖性方面扎,在基因病理图像中.
- 神经网络中现有的线性流结构限制了捕捉多层次特征变化的能力,这对于准确的医学图像诊断至关重要.
研究的目的:
- 提出一种新的对称形网络 (SC-Net),用于增强结直肠癌组织病理学的图像细分.
- 解决在现有的深度学习模型中提取多规模,异构的语义信息和建立上下文依赖性的局限性.
主要方法:
- 开发了一种对称形网络 (SC-Net),采用多尺度特征提取块 (MFEB) 来进行多种特征提取.
- 在编码器中采用了MFEB的螺旋和多分支排列,以改善信息流之间的上下文依赖性.
- 引入了特征映射层 (FML) 来映射低级别的语义特征到高级别的语义特征,减轻信息丢失并增强全球特征提取.
主要成果:
- SC-Net在结直肠癌上获得了0.8611分的分段化mDice分数,在乳腺癌上获得了0.7259分,在聚数据集上获得了0.7144分.
- 在细分任务中超越了包括UNet++,PSPNet,Attention U-Net和R2U-Net在内的最先进的模型.
- 在对各种数据集的H&E染色病理图像进行细分方面表现出卓越的性能.
结论:
- 该SC-Net有效地细分H&E染色病理图像,保存关键的形态和空间信息.
- 该网络在处理具有挑战性的图像条件 (如薄弱的纹理,差的对比度和外观变化) 中表现出强度.
- SC-Net代表了计算机辅助医学图像诊断对结直肠癌和其他病理学的重大进步.
