通过过渡细胞癌聚体检测和细分来改善膀癌的诊断:一种由人工智能驱动的深度学习解决方案
Mahdi-Reza Borna1, Mohammad Mehdi Sepehri1, Pejman Shadpour2
1Department of IT Engineering, Faculty of Industrial and Systems Engineering, Tarbiat Modares University, Tehran, Iran.
Frontiers in artificial intelligence
|June 14, 2024
概括
深度学习模型可以在膀癌诊断中准确地细分过渡性细胞癌 (TCC) 息肉. 这些模型即使在低质量的囊镜图像中也显示出前景,有助于在不改变临床工作流程的情况下进行早期检测.
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:
- 膀癌,特别是过渡性细胞癌 (TCC) 聚体,构成了全球卫生挑战.
- 在囊镜图像中精确细分TCC的息肉对于早期诊断和治疗至关重要.
- 深度学习 (DL) 提供了一种有希望的方法来增强TCC聚细分.
研究的目的:
- 评估各种DL架构在囊镜图像中细分TCC聚的有效性.
- 评估在低质量的数据集上训练的DL模型的性能.
主要方法:
- 评估了三个DL架构:Unetplusplus_vgg19,Unet_vgg11和FPN_resnet34. 这三种架构都被使用了.
- 模型被训练在一个注释,低质量的囊镜图像的数据集上.
主要成果:
- Unetplusplus_vgg19和FPN_resnet34显示出有希望的分别为55.40%和57.41%的精度率.
- 这些性能水平表明适合临床集成,而不会破坏工作流程.
结论:
- DL模型显示了TCC聚细分的显著潜力,即使具有较低质量的成像数据.
- 这些发现表明,DL可以提高膀癌诊断的及时性,同时保持当前的临床过程.
