CQENet:一种基于信心量化评估的鼻癌细分模型
Yiqiu Qi1, Lijun Wei2, Jinzhu Yang1
1Computer Science and Engineering, Northeastern University, Shenyang, China; Key Laboratory of Intelligent Computing in Medical Image, Ministry of Education, Northeastern University, Shenyang, China; National Frontiers Science Center for Industrial Intelligence and Systems Optimization, Shenyang, China.
这项研究介绍了CQENet,这是一个先进的AI模型,用于对鼻癌 (NPC) 瘤进行细分. 它提高了精度,并提供了信心评分,改善了NPC患者的放射治疗计划.
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:
- 鼻癌 (NPC) 的准确细分对于有效的放射治疗至关重要.
- 当前的自动细分方法与瘤定位,边界划分和信心量化作斗争.
- 深度学习模型的"黑盒子"性质限制了由于未定量化的预测信心而导致的临床信任.
研究的目的:
- 为NPC开发一个自动细分模型,提供准确的瘤划分和量化预测信心.
- 通过解决当前方法的局限性,提高深度学习在NPC放射治疗中的临床适用性.
主要方法:
- 提出了一个新的信任量化评估网络 (CQENet) 用于NPC细分.
- 引入了信心评估模块 (CAM) 来对输出细分结果和相关的信心水平进行分析.
- 开发了一种特征调整模块 (FAM),用于精确的瘤定位和范围确定.
- 整合了一个变异注意力机制 (VAM),以增强模糊瘤边界的划分.
主要成果:
- 与现有的最先进模型相比,CQENet在多中心NPC数据集上表现优越.
- 该模型成功地解决了瘤定位,边界划定和信心量化方面的挑战.
- 实验验证证了拟议方法的有效性和临床适用性.
结论:
- 在自动NPC细分方面,CQENet提供了显著的进步,提供了准确的结果和信心指标.
- 开发的模块 (CAM,FAM,VAM) 有效地解决了以前方法的关键局限性.
- 该模型显示了提高NPC放射治疗规划和临床决策的巨大潜力.
更多相关视频
08:05Lung CT Segmentation to Identify Consolidations and Ground Glass Areas for Quantitative Assesment of SARS-CoV Pneumonia
Published on: December 19, 2020
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020