深度学习细分架构用于基于全幻灯片成像的EUS引导细针活检样本中的胰腺管道腺癌的自动检测
Anca Loredana Udriștoiu1, Nicoleta Podină2,3, Bogdan Silviu Ungureanu4,5
1Faculty of Automation, Computers and Electronics, University of Craiova, Craiova, Romania.
Endoscopic ultrasound
|January 13, 2025
概括
人工智能,特别是Inception U-Net,在整张幻灯片图像中准确地细分胰腺管腺癌 (PDAC). 这种人工智能方法提高了PDAC的诊断效率,从EUS引导的细针活检样本.
科学领域:
- 医学成像分析分析 医学成像分析
- 计算病理学计算病理学
- 人工智能在瘤学中的应用
背景情况:
- 以EUS指导的细针活检是胰腺管道腺癌 (PDAC) 诊断的标准.
- 由于PDAC样本很小,由于恶性细胞稀少和脱质形成症,难以诊断.
- 人工智能和深度学习在全幻灯片成像中提供PDAC的自动,准确的细分.
研究的目的:
- 为了比较PDAC细分的7个U-Net架构变体的性能.
- 从EUS引导的细针活检样本中评估各种全幻灯片成像数据集的U-Net变体.
- 评估PDAC细分的准确性,使用诸如Dice系数和IOU等指标.
主要方法:
- 在2个不同的全幻灯片成像数据集 (31和33张图像) 上比较了7个U-Net变体.
- 使用了来自两个医疗中心的EUS引导细针活检样本,参数不同.
- 通过使用平均Dice系数和平均交叉点与联合 (IoU) 来评估细分的准确性.
主要成果:
- 发明U-Net在两个数据集上实现了最高的细分精度.
- 数据集1:平均子97.82%,IU0.87.87%的时间. 数据集2:平均子95.70%,IU 0.79.0 的情况.
- 交叉数据集评估显示了强大的表现 (Dice>92%,IOU>0.74).
结论:
- 人工智能,特别是Inception U-Net,显示了整个幻灯片成像中PDAC细分的可行性.
- 这项研究为人工智能驱动的PDAC评估提供了有希望的准确度得分.
- 人工智能驱动的细分可以帮助克服PDAC活检样本的诊断挑战.
