基于多式特征的宫病变的分类融合融合
Jing Li1, Peng Hu1, Huayu Gao1
1Shanghai Key Laboratory of Intelligent Manufacturing and Robotics, Shanghai University, Shanghai, 200444, China; School of Mechatronic Engineering and Automation, Shanghai University, Shanghai, 200444, China.
Computers in biology and medicine
|May 23, 2024
概括
这项研究开发了一种先进的宫癌查模型,使用结肠镜图像和临床数据. 该模型准确地分类子宫病变,改善早期检测和女性.
科学领域:
- 妇科瘤学 妇科瘤学
- 医学成像分析 医学成像分析
- 机器学习用于医疗保健
背景情况:
- 宫癌对全球健康构成重大威胁,需要有效的早期检测方法.
- 早期查对于预防和治疗宫癌至关重要,因为它的发展周期很长,原因已知.
研究的目的:
- 为宫病变开发一个强大的四类分类模型 (正常,LSIL,HSIL,Ca).
- 整合各种数据模式,包括镜图像,细分口罩,HPV,TCT和年龄,以提高诊断准确度.
主要方法:
- 使用了原始和乙烯酸结晶镜图像,结合了乙烯酸白色不透明度分析,以将图像特征与损伤等级相关联.
- 采用了病变细分面具,以整合病变位置和形状的先前知识.
- 开发了一种具有自我注意力的跨模式功能融合模块,以结合图像和临床文本数据.
主要成果:
- 与现有模型相比,拟议的模型表现出优越的分类性能.
- 除研究证实,模型的每个组件独立地提高了分类准确性.
- 该模型在性能和计算复杂性之间实现了有利的平衡.
结论:
- 开发的模型显示了提高宫癌查准确性和效率的显著前景.
- 整合多模式数据和先进的融合技术可以提高宫病变的诊断能力.
- 该模型的进一步验证可能会导致改善妇科瘤学的临床决策.
