在子宫内膜癌病理学中基于瘤组织的多类细分网络 图片:ECMTrans-net

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 子宫内膜癌是影响女性生殖系统的主要恶性瘤.
• 准确分析病理图像对于计算机辅助诊断至关重要.
• 挑战包括小瘤大小,多样化的形态和难以区分瘤类型.

研究的目的:

• 开发一个先进的深度学习模型,以改善子宫内膜癌病理学图像细分.
• 解决目前用于检测小和复杂的子宫内膜瘤的方法的局限性.
• 为了提高计算机辅助诊断子宫内膜癌的准确性.

主要方法:

• 提出了子宫内膜癌多类变压器网络 (ECMTrans-net).
• 引入了一个ECM-Attention模块,用于跨道,本地和全球空间维度的自适应功能改进.
• 开发了一个ECM转换器模块,以融合多类特征,并为复杂的瘤特征调整受体场.

主要成果:

• 在ST-ECP数据集上,ECMTrans-net与最先进的图像细分方法相比,表现优越.
• 实现了高平均绩效指标:准确度 (0.952),平均交叉点超过欧盟 (0.927),精度 (0.931),和子系数 (0.901).
• 有效地改善了小型固体瘤的细分,并将其与非固体瘤区分开来.

结论:

• 拟议的ECMTrans-net显著提高了子宫内膜癌病理学图像细分的准确性.
• ECM-Attention和ECM-Transformer模块有效地解决了小,形态多样化和复杂瘤特征带来的挑战.
• 这一进步有望改善计算机辅助诊断和子宫内膜癌患者的治疗结果.