相关实验视频
Updated: Jun 13, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
378
开发一种深度学习模型,用于用视觉转换器在MRI上诊断肌肉侵入性膀癌
Yasuhisa Kurata1, Mizuho Nishio1, Yusaku Moribata2
1Department of Diagnostic Imaging and Nuclear Medicine, Graduate School of Medicine, Kyoto University, 54, Shogoin Kawahara-cho, Sakyo-Ku, Kyoto, 606-8507, Japan.
Heliyon
|September 10, 2024
概括
使用视觉变压器 (ViT) 的深度学习模型在MRI扫描上有效诊断出肌肉侵入性膀癌 (MIBC). 在本研究中,ViT模型与卷积神经网络 (CNN) 模型相比,表现优越.
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:
- 肌肉侵入性膀癌 (MIBC) 的诊断严重依赖于MRI扫描的准确解释.
- 当前的诊断方法可能会耗时,并且受观察者之间的变化影响.
研究的目的:
- 开发和验证使用视觉转换器 (ViT) 进行深度学习 (DL) 模型,用于MRI上的自动MIBC诊断.
- 将基于ViT的模型的诊断性能与基于卷积神经网络 (CNN) 的模型进行比较.
主要方法:
- 一个多中心的回顾性研究,涉及来自多个机构的培训和测试数据集.
- 开发基于ViT和CNN的MIBC诊断模型,使用5倍交叉验证.
- 使用手动和自动生成感兴趣区域 (ROI) 验证模型性能,并与放射科医生的性能进行比较.
主要成果:
- 与基于CNN的模型相比,基于ViT的DL模型实现了更高的曲线下的平均面积 (AUC) (0.831 ± 0.003对比0.713 ± 0.007-0.812 ± 0.006,p < .001).
- 手动投资回报率的ViT模型实现了0.872的AUC,相当于初级放射科医生的AUC.
- 使用自动生成ROI的ViT模型进行半自动诊断,其AUC为0.815.
结论:
- 开发的DL模型,特别是基于ViT的方法,在MRI上有效地诊断MIBC.
- ViT模型显示了在瘤学中推进自动化医学图像分析的重大前景.
- 这项技术有可能提高诊断准确性和膀癌管理效率.
