SG-Transunet:一个以细分为导向的变压器U-Net模型,用于在结直肠癌中识别KRAS基因突变状态

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 生物信息学是一种生物信息学.

背景情况:

• 准确的基因突变鉴定基因突变基因基因突变鉴定基因突变鉴定基因突变鉴定基因突变鉴定基因突变鉴定基因突变鉴定基因突变鉴定基因突变鉴定基因突变鉴定基因突变鉴定基因突变鉴定基因突变鉴定基因突变鉴定基因突变鉴定基因突变鉴定基因突变鉴定基因突变鉴定基因突变鉴定基因突变鉴定基因突变鉴定基因突变鉴定基因突变鉴定基因鉴定基因鉴定基因鉴定基因鉴定基因鉴定基因鉴定基因鉴定基因鉴定基因鉴定基因鉴定基因鉴定基因鉴定基因鉴定基因鉴定基因鉴定基因鉴定基因鉴定基因鉴定基因鉴定基因鉴定基因鉴定基因鉴定基因鉴定基因鉴定基因鉴定基因鉴定基因鉴定基因鉴定基因鉴定基因鉴定基因
• 当前的深度学习方法往往忽略频率域特征,易受冗余数据的影响,影响KRAS突变状态识别的准确性.
• 现有的空间特征提取方法可能无法完全捕捉精确的KRAS突变状态识别所需的复杂性.

研究的目的:

• 开发一种先进的深度学习模型,用于准确识别结直肠癌 (CRC) 中的KRAS基因突变状态.
• 增强模型整合空间和频率域特征的能力,以提高诊断性能.
• 解决现有方法的局限性,包括冗余特征处理和忽视频率域信息.

主要方法:

• 提出了一个以细分为导向的变压器U-Net (SG-Transunet) 模型,将CNN和变压器结合起来.
• 集成了一个频域补充块,以捕捉与空间特征一起的基本频域特征.
• 采用了一个编码器-解码器用于病变细分,以指导突变识别,一个预训练的Xception块以防止过拟合,以及一个聚合注意模块以增强特征可区分性.
• 利用相互受约束的损失函数同时优化分段和识别任务.

主要成果:

• 与现有的最先进的方法相比,SG-Transunet模型在识别KRAS基因突变状态方面表现出卓越的性能.
• 空间和频域特征的整合显著改善了KRAS突变状态的歧视力.
• 细分引导的病变定位提高了识别任务的准确性.

结论:

• 拟议的SG-Transunet模型为结直肠癌中KRAS基因突变状态的识别提供了强大而准确的方法.
• 该模型利用空间和频域信息的能力在该领域取得了重大进展.
• 这种方法有望改进基于CRAS突变状态的CRC患者个性化治疗策略.