[基于大核卷积和综合关注的子宫内膜癌病变区域细分]
Rushu Peng1, Qinghao Zeng1, Bin He1
1School of Mechanical Engineering, University of South China, Hengyang, Hunan 421200, P. R. China.
概括
一个新的深度学习模型,SCWU-Net,在CT扫描中准确地细分子宫内膜癌 (EC). 这种先进的细分可以提高这种常见的妇科恶性瘤的诊断准确度.
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:
- 子宫内膜癌 (EC) 是一种流行的妇科恶性瘤,全球发病率正在上升.
- 计算机断层扫描 (CT) 图像中EC病变的准确细分对于临床诊断至关重要.
- 现有的细分方法需要改进,以便精确地划分病变.
研究的目的:
- 引入一个新的深度学习模型,空间选择和重量联盟网络 (SCWU-Net),用于CT图像中增强子宫内膜癌病变细分.
- 提高EC病变细分的准确性和可靠性,以支持临床决策.
主要方法:
- 开发SCWU-Net,一个U形多层次深度学习架构.
- 整合一个空间选择模块 (SSM) 来改进情境信息捕获.
- 在跳过连接中集成一个组合重量模块 (CWM) 与联合注意力机制.
主要成果:
- SCWU-Net实现了82.98%的子相似系数 (DSC) 和78.63%的工会交叉 (IoU).
- 该模型在细分EC病变方面表现出高精度 (92.36%) 和回忆 (84.10%).
- 在公共数据集上,SCWU-Net显著优于现有的最先进的细分模型.
结论:
- 在CT图像中,SCWU-Net提供了子宫内膜癌病变的精确细分.
- 该模型显示了在子宫内膜癌的辅助诊断中临床应用的巨大潜力.
- 这种深度学习方法提高了EC的诊断准确性,解决了妇科瘤学的关键需求.
