一个新的双分支不对称编码解码分段网络,用于准确的结肠密码分段
Jingjun Zhou1, Hong Xiong1, Qian Liu2
1School of Biomedical Engineering, Hainan University, Haikou, 570228, China.
Computers in biology and medicine
|March 24, 2024
概括
一个新的AI模型,DAUNet,在图像中准确地细分结肠密室 (CC),这对于诊断结肠直肠癌 (CRC) 至关重要. 这种先进的细分有助于医生精确识别和分析病变,提高CRC诊断的准确性.
科学领域:
- 医学成像分析 医学成像分析
- 在瘤学中使用人工智能
- 胃肠病学 胃肠病学
背景情况:
- 大肠直肠癌 (CRC) 是癌症死亡的主要原因.
- 结肠密室 (CC) 的准确细分对于CRC诊断和治疗策略至关重要.
- 现有的自动细分方法面临的挑战是由于模糊的界限和CC的多样性形态.
研究的目的:
- 开发一种新且高效的深度学习模型,用于对焦激光内分显微镜 (CLE) 图像中的CC的准确细分.
- 为了应对模糊边界和形态多样性在CC细分中的挑战.
- 为了提高病变定位和区域分析的精度,用于CRC诊断.
主要方法:
- 提出了用于CC细分的双分支非对称编码器解码器网络 (DAUNet).
- 引入了双分支特征提取模块 (DFEM) 与焦点操作和密集深度可分离卷积 (DDSC) 进行多级特征提取.
- 整合了一个特征融合指导模块 (FFGM),用于适应性特征融合,具有跨组空间和通道注意力,以及用于特征改进的局部多层感知子 (LMLP).
主要成果:
- 在两个独立的数据集上,DAUNet获得了高的交叉对欧盟 (IoU) 评分,分别为81.54%和84.83%.
- 该模型的有效性与CC细分的最先进方法相美.
- 实验结果验证了该模型在处理各种CC形态和模糊边界方面的能力.
结论:
- 拟议的DAUNet模型为CLE图像中的自动CC细分提供了强大而有效的解决方案.
- 这项技术具有显著的潜力,可以帮助临床医生精确识别和分析病变,从而提高CRC诊断的准确性.
- 进一步开发和应用DAUNet可能会改善结直肠癌管理中的患者结果.
