HCA-DAN:在3DCT图像中对胃瘤进行细分的层次阶级意识域自适应网络
Ning Yuan1, Yongtao Zhang2, Kuan Lv3
1Department of Medical Imaging, Heping Hospital Affiliated to Changzhi Medical College, Changzhi, China.
概括
这项研究引入了一种新的层次阶级意识域自适应网络 (HCA-DAN),用于CT扫描中精确的3D胃瘤细分. 该方法有效地解决了多中心数据集中的挑战,显示了临床应用的有希望的结果.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 来自CT扫描的精确胃瘤细分对于癌症诊断和治疗至关重要.
- 自动化3D细分面临的挑战是由于异构分辨率,复杂的瘤纹理和中心间数据异质性.
- 现有的方法很难在不同的医疗中心进行泛化.
研究的目的:
- 为胃癌开发一种新的跨中心3D瘤细分方法.
- 为了解决CT图像细分中的异位分辨率和中心间异质性的局限性.
- 为了提高自动化胃瘤细分的准确性和稳定性.
主要方法:
- 拟议的层次阶级意识域适应网络 (HCA-DAN) 集成了一个无otropic神经网络和一个变压器 (AsTr).
- 引入了一个层次阶级意识的域对齐 (HCADA) 模块,用于跨域的自适应性特征对齐.
- 在多中心CT数据集上进行评估,在中心和跨中心场景中进行评估.
主要成果:
- 基线AsTr网络实现了竞争力的中心内和跨中心细分性能 (DSC高达67.28%和60.62%).
- 拟议的HCA-DAN在跨中心测试中显著优于其他无监督域适应方法 (DSC高达62.20%).
- 在多中心数据集上,HCA-DAN表现出卓越的性能.
结论:
- 拟议的HCA-DAN方法显示了跨中心胃瘤细分的显著改善.
- 该方法是稳固的,并有望整合到常规的临床工作流程.
- 实验结果验证了HCA-DAN在多中心CT数据上的有效性.
