一个神经网络用于在超声波直肠图像中细分瘤
Yuanxi Zhang1, Xiwen Deng2, Tingting Li2
1School of Optoelectronic Science and Engineering, University of Electronic Science and Technology of China, Chengdu, 610054, People's Republic of China.
Journal of imaging informatics in medicine
|December 11, 2024
概括
这项研究引入了一个深度学习模型,用于超声波图像中准确的直肠瘤细分,改善早期癌症检测并帮助医生诊断. 这种新方法增强了瘤的识别和与正常组织的差异化.
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:
- 直肠癌是一种高风险的恶性瘤,需要早期检测.
- 超声波成像为初始诊断提供了一种经济有效的方法.
- 准确的瘤细分对于有效的治疗计划至关重要.
研究的目的:
- 开发一种有效的深度学习方法,用于在超声波图像中准确识别和细分直肠瘤.
- 通过自动化瘤检测,协助医生诊断直肠癌.
- 提高诊断工作流程的效率,允许更多地关注瘤特征.
主要方法:
- 设计了一个配有编码器和全球注意力解码器的深度学习网络.
- 通过道信息融合实现了多层次信息整合.
- 该模型在来自268名患者的272张图像数据集上进行了训练和验证.
主要成果:
- 拟议的模型实现了75.49%的子系数 (DSC),比基准表现出色4.03%.
- 豪斯多夫距离95 (HD95) 为24.75,比基准值低8.43.
- 统计分析 (对 t 试验) 证实了显著的改善 (p < 0.05).
结论:
- 开发的深度学习方法有效地识别和细分各种形状的直肠瘤.
- 该模型准确地区分正常直肠图像和瘤图像.
- 这种方法显示出有潜力显著帮助医生在使用超声波的直肠瘤诊断.
