一个新的图像细分网络,具有多尺度和流程导向的注意力,用于早期查阴道内皮质瘤 (VAIN)
Jun Li1, Wenlong Xia1, Jinyu Lu1
1School of Optical Electrical and Computer Engineering, University of Shanghai for Science and Technology, Shanghai, China.
Medical physics
|August 14, 2025
概括
一个新型的深度学习网络准确地细分阴道内皮质瘤 (VAIN) 病变,改善早期检测. 这一进步为这种罕见的癌前疾病的临床诊断和查提供了强大的技术支持.
科学领域:
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算病理学计算病理学
背景情况:
- 阴道内皮质瘤 (VAIN) 是一种罕见的癌前病变,需要早期诊断以防止进展为侵入性阴道癌.
- 由于与正常组织的细微形态和颜色差异,VAIN的精确细分具有挑战性,阻碍了有效的查.
研究的目的:
- 开发一个高精度,强大的深度学习网络,用于自动VAIN损伤细分.
- 提高早期VAIN查和诊断的效率和准确性.
主要方法:
- 提出了一个基于U-Net架构的多尺度扩展注意力流网络.
- 在编码器中内置了扩展式挤压激发 (DiSE) 和流导自适应分离和增强 (FGASE) 模块.
- 在解码器中引入了深度增强聚合 (DEP) 和跳过连接中的三重统计注意 (TSA),以改进特征提取和依赖性建模.
主要成果:
- 拟议的网络在6个细分指标中的1142名患者的数据集上显著优于现有方法.
- 实现了0.8461的欧盟平均交叉点 (MIoU) 和0.9166的子系数,并实现了更快的趋同.
- 废弃性研究验证了单个模块在提高性能方面的有效性.
结论:
- 开发的网络在VAIN图像分割方面表现出了卓越的性能和稳定性.
- 为早期VAIN查和临床诊断提供强大的技术支持,突出显著的临床应用价值.
