DASNet:一个卷积神经网络与SE注意力机制,用于ccRCC瘤分类
Xiaoyi Yu1, Donglin Zhu1, Hongjie Guo2
1School of Computer Science and Technology, Zhejiang Normal University, Jinhua, 321004, China.
Interdisciplinary sciences, computational life sciences
|March 24, 2025
概括
一个新的深度学习模型,DASNet,从CT扫描中准确地评分清细胞细胞癌 (ccRCC). 这种非侵入性方法对早期检测和改善癌诊断患者的结果有希望.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 清细胞细胞癌 (ccRCC) 是最常见的癌亚型.
- 晚期 (III+) 的ccRCC与明显更高的死亡率有关.
- 早期检测对于有效的治疗干预至关重要.
研究的目的:
- 开发一种使用计算机断层扫描 (CT) 图像进行ccRCC分级的非侵入性和高效方法.
- 利用深度学习和机器学习进行准确的ccRCC分类.
- 提高ccRCC阶段的早期识别.
主要方法:
- 使用域自适应挤压激发网络 (DASNet) 进行ccRCC分类.
- 员工MedAugment用于数据集的增强和平衡.
- 纳入脏血管髓瘤 (AML) 样本,以防止过.
- 使用EfficientNet和RegNet作为基准模型,并关注Squeeze-and-Excitation (SE).
- 应用域-对抗性神经网络 (DANN) 为域一致性.
主要成果:
- 在ccRCC分级方面实现了97.50%的分类准确度.
- 证明了该模型在从CT图像中识别ccRCC等级方面的有效性.
- 通过数据增强和域调整,展示了改进的概括性和稳定性.
结论:
- 拟议的DASNet模型为ccRCC分级提供了一个高度准确,非侵入性的方法.
- 这些发现支持深度学习在早期癌检测中的临床实用性.
- 建立了人工智能在瘤成像分析中更广泛应用的基础.
