使用MobileViT-UNet和多标准决策分析优化结直肠癌细分

科学领域:

• 数字病理学数字病理学
• 医疗图像分析 医学图像分析
• 计算瘤学是一种计算瘤学.

背景情况:

• 结肠直肠癌 (CRC) 构成了重大的健康挑战,手动组织病理学检查是主观的,劳动密集的.
• 目前用于CRC细分的诊断方法缺乏一致性和效率,需要自动化解决方案.
• 精确细分各种结直肠组织类型对于有效的诊断和治疗规划至关重要.

研究的目的:

• 开发和评估新的计算机辅助诊断模型,以对结直肠癌和相关组织类型进行细分.
• 研究将MobileViT集成为UNet编码器,以提高细分性能的有效性.
• 为了比较不同的UNet架构 (VGG16,ResNet50,MobileNet,MobileViT) 与二进制交叉和子损失函数的性能.

主要方法:

• 提出了四种细分模型:VGG16-UNet,ResNet50-UNet,MobileNet-UNet和MobileViT-UNet用于细分结直肠组织.
• 使用二进制交叉和子损失函数训练模型.
• 通过使用Dice比率,Jaccard指数,精度和回忆来评估模型,并使用多标准决策分析 (MCDA) 和TOPSIS进行模型选择.

主要成果:

• 结合Dice损失的MobileViT-UNet模型在结直肠组织病理细分方面表现出卓越的性能.
• 在所有指标上取得高分:子比率 (0.944 ± 0.030),贾卡德指数 (0.897 ± 0.049),精度 (0.955 ± 0.046) 和回忆 (0.939 ± 0.038).
• 移动ViT-UNet+Dice获得了TOPSIS最高的1分,表明其排名最高的表现.

结论:

• 拟议的MobileViT-UNet+Dice模型显著优于现有的结直肠癌细分方法.
• 这种先进的模型提供了更高的准确性和效率,具有改善数字病理学诊断工作流程的潜力.
• 将MobileViT集成为UNet编码器代表了自动化基因病理图像分析的有希望的进步.