标杆测试喉瘤细分:一个多中心数据集和一个有效的方法

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 在瘤学瘤学.

背景情况:

• 精确的喉瘤细分 (LNS) 有助于喉癌的诊断和预防.
• 现有的LNS研究受到缺乏公共数据集的阻碍.
• 结肠直肠多片细分 (CPS) 与LNS有相似之处,但现有的CPS方法在LNS任务中表现不佳.

研究的目的:

• 通过创建一个全面的多中心数据集来解决LNS数据集的稀缺问题.
• 评估现有的结肠直肠多片细分 (CPS) 方法对喉新生体细分 (LNS) 的性能.
• 为喉新生体细分 (LNS) 提出一种新且有效的细分方法.

主要方法:

• 创建了MLN-Seg数据集,包括来自四家医院的2,273张喉图像和像素智能的注释.
• 在MLN-Seg数据集上验证了15种结直肠多片细分 (CPS) 方法.
• 开发和实施Scale-Sensitive Network (S2Net) 与LNS的本地化校准 (LC) 模块.

主要成果:

• 现有的CPS方法在LNS上表现不佳,特别是在涉及模糊边界和伪装的具有挑战性的案例中.
• 与其他方法相比,拟议的S2Net在MLN-Seg数据集上展示了卓越的学习能力和概括性.
• 当在公共数据集上进行评估时,S2Net在结肠直肠息肉细分 (CPS) 任务上取得了可比的性能.

结论:

• MLN-Seg数据集为推进喉新生体细分 (LNS) 研究提供了宝贵的资源.
• 规模敏感网络 (S2Net) 为准确的喉瘤细分 (LNS) 提供了一种有效的解决方案,其性能优于现有的方法.
• 对于喉新生体细分 (LNS) 和结肠直肠多胞体细分 (CPS) 任务,S2Net显示出有希望的结果.