使用注意引导卷积神经网络和基因组特征分析预测肝脏瘤
S Edwin Raja1, J Sutha2, P Elamparithi3
1Department of Computer Science and Engineering, Vel Tech Rangarajan Dr. Sagunthala R&D Institute of Science and Technology, Chennai, India.
MethodsX
|April 14, 2025
概括
这项研究引入了注意引导的卷积神经网络 (AG-CNNs) 和基因组特征分析 (GFAM),通过整合成像和基因组数据来改善肝脏瘤预测,以便更好地诊断和预后.
科学领域:
- 医学图像分析 医学图像分析
- 基因组学就是基因组学.
- 在瘤学瘤学.
背景情况:
- 准确的肝脏瘤预测对于患者的诊断和预后至关重要.
- 挑战包括理解静默瘤特征和基因组成像特征相互作用.
研究的目的:
- 为可靠的肝脏瘤预测开发综合方法.
- 为了提高细分的准确性和识别分类的分子标记.
主要方法:
- 利用注意力引导的卷积神经网络 (AG-CNNs) 来从CT图像中准确地细分瘤.
- 集成了一个基因组特征分析模块 (GFAM) 用于分子标记物识别.
- 在AG-CNNs中使用空间和道注意力机制进行形态分析.
主要成果:
- 拟议的模型在数据集3上实现了高精度 (94.5%),子相似系数 (91.9%) 和F1-Score (96.2%).
- 在不同的数据集中,在回忆,精度和特异性方面超过现有方法高达10%.
- AG-CNN证明了瘤区域的焦点和细分精度的增强.
结论:
- 综合的AG-CNN和GFAM方法显著提高了肝脏瘤预测的准确性.
- 这些方法为使用基因组和成像数据进行亚型特定瘤分类提供了强大的框架.
关键词:
注意力机制注意力机制注意引导的卷积神经网络 (AG-CNNs),基因组特征分析模块 (GFAM).预测肝脏瘤的发生情况医疗成像医学成像多模式数据融合多模式数据融合无线电学 (Radiomics) 是一种辐射学.瘤细分 瘤的细分瘤亚型分类的分类方法更多相关视频
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
6.8K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.6K
