计算机辅助结直肠癌诊断:人工智能驱动的图像细分和分类

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 结肠直肠癌是全球癌症相关死亡的主要原因之一.
• 手动病理检查面临主观性和数据过载等局限性.
• 计算机辅助诊断系统为客观和高效的分析提供了潜在的解决方案.

研究的目的:

• 开发和评估一种两阶段的深度学习方法,用于自动检测和分类结直肠异常.
• 使用UNet3+对结直肠异常进行细分,并使用交叉注意力多尺度视觉转换器模型对其进行分类.
• 评估系统在识别和细分五种类型的结直肠异常和对照组方面的表现.

主要方法:

• 两阶段的深度学习框架用于结直肠异常分析.
• 第1阶段使用UNet3+进行精确的图像细分,以定位异常.
• 第二阶段使用了交叉注意力多尺度视觉变压器来分类细分异常.

主要成果:

• 通过UNet3+实现了高分段性能,其中包括子系数 (0.9872),贾卡德指数 (0.9422),灵敏度 (0.9832),和特异性 (0.9560).
• 交叉注意力多尺度视觉变压器表现出强大的分类性能,精度为 (0.9340) 和F1得分为 (0.9037).
• 该模型在异常检测和细分方面在各种指标上取得了出色的整体性能.

结论:

• 拟议的两阶段深度学习方法显著提高了结直肠癌诊断的准确性.
• 该系统通过自动化异常检测和细分来减轻病理学家的工作量.
• 高性能验证了人工智能驱动工具在改善结直肠癌查和诊断方面的潜力.