基于注意特征相互作用的持久性同质增强网络用于食道癌病变检测

科学领域:

• 医疗图像分析 医学图像分析
• 计算拓学的计算拓.
• 深度学习是一种深度学习.

背景情况:

• 检测食道癌 (EC) 病变对于治疗计划至关重要.
• 像CNN和ViT这样的深度学习模型在医学成像方面表现出色,但可以忽略解剖细节.
• 使用持久同质 (PH) 的现有方法在特征相互作用和概括方面存在局限性.

研究的目的:

• 开发一个整合PH和特征相互作用的新框架,以在3DCT图像中加强EC病变的识别.
• 通过结合拓和交互式特征信息来提高深度学习模型的预测能力.

主要方法:

• 用立方体分类技术来检测病变.
• 该框架具有一个持久性图交叉注意编码器 (PDCAE),用于编码PH衍生的持久性图 (PD).
• 一个重新校准指导模块 (RGM) 集成PH和图像功能来解决不一致性.

主要成果:

• 拟议的模块显著提高了标准深度学习骨干网络的预测性能.
• 与现有的最先进的分类网络相比,该框架显示出更高的性能.

结论:

• 将拓数据分析与深度学习相结合,显示出医学图像分析的巨大潜力.
• 进一步探索利用医学成像中的拓关系的下游任务是有必要的.