多任务和多规模的注意力网络用于预测淋巴结转移在食道癌的淋巴结转移

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:

• 在食道状细胞癌中精确诊断淋巴结转移对于治疗计划至关重要.
• 目前的深度学习模型在淋巴结划分方面扎,导致诊断准确度低于最佳.

研究的目的:

• 提出一个创新的多任务和多规模的注意网络 (M2ANet),用于精确预测食道癌中淋巴结转移的情况.
• 为了提高深度学习模型在识别癌症淋巴结的准确性.

主要方法:

• 开发了M2ANet,这是一种新型网络,具有节点面具的软区域扩展,以聚合图像特征并放大节点上下文.
• 实施了双分支训练策略,同时预测转移概率和节点面具.
• 在177名患者的自我收集数据集上评估了该模型.

主要成果:

• 在一组577个淋巴结的测试中,获得了83.7%的竞争准确率.
• 证明适应复杂模式和数据变化的能力.
• 展示了该模型在淋巴结转移预测中的稳定性.

结论:

• 在医疗图像分析中,M2ANet提供了一个有前途的工具,用于在医疗图像分析中进行强大和全面的淋巴结转移预测.
• 拟议的网络解决了节点划分方面的挑战,并提高了诊断准确度.
• 多任务和多规模的方法增强了模型的学习过程和预测性能.