病理洞察:用于早期检测结肠直肠癌的增强视觉转换器
Gelan Ayana1,2, Hika Barki3, Se-Woon Choe1,4,5
1Department of Medical IT Convergence Engineering, Kumoh National Institute of Technology, Gumi 39253, Republic of Korea.
Cancers
|April 13, 2024
概括
这项研究引入了一种新的视觉转换器方法,用于早期结直肠癌 (CRC) 检测,其性能优于CNN. 这些模型准确地分类病理发现和细分的息肉,提高诊断的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 胃肠病学 胃肠病学
背景情况:
- 内镜病理发现对于早期结直肠癌 (CRC) 诊断至关重要.
- 目前用于CRC检测的深度学习方法主要集中在聚细分上,忽视了病理发现和整体图像特征.
- 卷积神经网络 (CNN) 在处理全球图像信息方面存在局限性.
研究的目的:
- 开发一种基于视觉转换器 (ViT) 的新方法,以加强早期CRC检测.
- 通过结合病理发现和全球图像特征来解决以前深度学习模型的局限性.
- 通过先进的AI来提高CRC诊断的准确性和减少主观性.
主要方法:
- 介绍ViTCol,一种增强视力转换器,用于对内镜病理发现进行分类.
- 开发PUTS,一种基于视觉变压器的模型,用于聚合物细分.
- 在ViT架构内集成空间变压器,以增强图像本地化.
主要成果:
- 在Kvasir数据集上,ViTCol在病理发现分类方面获得了0.9999 ± 0.001的异常接收器操作曲线 (AUC) 下的区域.
- PUTS表现出优异的聚细分性能,在Kvasir-SEG的平均交叉点在整个欧盟 (mIoU) 为0.8673,在CVC-Clinic的0.9092.
- 拟议的基于ViT的方法在CRC检测方面显著优于现有的CNN和ViT模型.
结论:
- 与传统的CNN相比,视觉变压器为早期CRC检测提供了一种优越的方法.
- 病理发现分类和聚细分的整合增强了自动CRC识别.
- 这种基于ViT的策略对提高胃肠道癌症诊断的准确性和效率具有显著的前景.
