语义一致性网络与边缘学习器和连接增强器用于从组织病理学图像的宫瘤细分
Lisha Pang1, Peng He2, Yue Han1
1Key Laboratory of Optoelectronic Technology and Systems (Ministry of Education), College of Optoelectronic Engineering, Chongqing University, Chongqing, 400044, China.
Interdisciplinary sciences, computational life sciences
|April 23, 2025
概括
一个新的深度学习模型,ERNet,通过提高边缘精度和像素连接性来改善宫瘤细分. 这种人工智能驱动的方法提供了比手工方法更好的诊断潜力.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算病理学计算病理学
背景情况:
- 准确的宫瘤分类和鉴定对于诊断和预后至关重要.
- 手动显微镜用于瘤细分的方法耗时,劳动密集型,容易产生主观偏见.
- 现有的深度学习语义细分模型与多种子宫瘤形态扎,导致边缘相似性和像素连接性差.
研究的目的:
- 开发一个先进的深度学习模型,用于准确的宫瘤细分.
- 解决现有模型在处理各种瘤形状和类似组织纹理方面的局限性.
- 为了提高瘤边界划分的精度,并在医学图像中掩盖连接性.
主要方法:
- 提出了一个名为ERNet的端到端语义一致性网络.
- 整合了一个边缘学习器 (堆叠的浅卷积神经网络) 来增强瘤边缘表示.
- 集成了一个连接增强器,通过学习详细和上下文图像信息来改善像素连接.
- 使用边缘和像素级特征的自适应合,通过瘤分类任务进行优化.
主要成果:
- 与最先进的模型相比,ERNet在细分精度方面取得了显著的改进.
- 结构相似性提高到88.17%,平均交叉与工会 (mIoU) 达到了83.22%.
- 在细分面具中展示了出色的边缘相似性和像素连接性.
- 在喉瘤图像上展示了概括能力.
结论:
- ERNet有效地解决了细分各种形态的宫瘤的挑战.
- 与现有方法相比,拟议的模型提供了优越的边缘精度和像素连接性.
- 在瘤诊断和预后方面,ERNet具有很强的临床应用潜力和实际价值.
