SCC-NET:针对头部和部状细胞癌的临床癌症图像的细分
Chien-Yu Huang1,2, Cheng-Che Tsai2, Lisa Alice Hwang3
1Ditmanson Medical Foundation Chia-Yi Christian Hospital, Department of Otolaryngology-Head and Neck Surgery, Chiayi, Taiwan.
Journal of medical imaging (Bellingham, Wash.)
|November 25, 2024
概括
一个新的深度学习模型,SCC-Net,有效地从内镜图像中对头部和部状细胞癌 (SCC) 进行细分. 这种人工智能工具显示出高准确性,优于现有方法,用于改进癌症检测.
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:
- 状细胞癌 (SCC) 是最常见的头癌,通常通过内镜诊断和治疗.
- 深度学习 (DL) 在医疗内镜中表现有前途,但其在分割头部和部SCC中的应用尚未得到充分探索.
研究的目的:
- 开发和评估一种新的DL算法,用于从内镜图像中对头部和部SCC进行细分.
- 提高在上空消化道中SCC检测的准确性和效率.
主要方法:
- 使用神经架构搜索开发了一个修改后的U-Net架构SCC-Net.
- 关键的修改包括可学习的离散波段聚合和跨阶段部分 (CSP) 连接.
- 该模型在2016-2020年期间的556张内镜图像上进行了训练和验证.
主要成果:
- SCC-Net实现了87.2%的平均交叉与联合 (mIOU),准确率为97.17%,回忆率为97.15%.
- 拟议的模型在关键指标 (mIOU,Dice,精度,回忆) 中超过了其他八种最先进的图像细分模型.
结论:
- 在白光内镜图像中,SCC-Net架构证明了SCC病变的成功和准确的细分.
- 该模型在不同上空消化道部位的强大性能突显了其临床潜力.
