UM-Net:重新思考ICGNet用于用不确定性建模模拟的聚细分
Xiuquan Du1, Xuebin Xu2, Jiajia Chen2
1Key Laboratory of Intelligent Computing and Signal Processing of Ministry of Education, Anhui University, Hefei, China; School of Computer Science and Technology, Anhui University, Hefei, China.
Medical image analysis
|September 24, 2024
概括
这项研究介绍了UM-Net,这是一种用于细分结肠镜图像以检测结肠直肠癌的增强模型. UM-Net 提高了聚合物细分的准确性,并为更好的临床决策提供了不确定性指标.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 大肠直肠癌检测检测
背景情况:
- 在结肠镜检查中自动分片对早期结肠直肠癌诊断至关重要.
- 像ICGNet这样的先前模型在图像颜色分布不一致和缺乏不确定性测量方面遇到了困难.
- 跨数据集的色彩分布不一致导致过拟合,并减少了对相关的多特征的关注.
研究的目的:
- 开发一个改进的分段网络 (UM-Net),解决颜色不一致性和提供预测不确定性.
- 为了提高在结肠镜检查中自动检测多的可靠性和临床适用性.
- 为了使模型对成像设备和息肉特征的变化更加坚固.
主要方法:
- 实现了色彩转移操作,使模型专注于多形状而不是颜色.
- 整合了一个不确定性测量,使用方差来纠正它,以量化预测可靠性.
- 扩展现有的ICGNet架构,以整合这些新功能.
主要成果:
- 在五个多数据集中,UM-Net表现出了竞争力的表现.
- 颜色转移方法改善了模型对多形态学的关注.
- 不确定性量化提高了细分结果的可靠性.
结论:
- 在结肠镜检查中,UM-Net为聚细分提供了实质性的实用价值.
- 与现有方法相比,开发的方法提高了学习能力和概括能力.
- 包括不确定性指标有助于医生做出更明智的诊断决策.


