混合ResNet-ViT框架用于子宫内膜损伤分析:在子宫内膜癌分类中对MRI和CT进行比较研究
Omar H Abu-Azzam1, Amer Mahmoud Sindiani2, Salem Alhatamleh3
1Department of Obstetrics and Gynecology, Faculty of Medicine, Mutah University, Al-Karak, Jordan.
International journal of women's health
|November 11, 2025
概括
这项研究表明,深度学习模型可以使用MRI和CT扫描准确检测子宫内膜癌. 在这种诊断应用中,磁共振成像 (MRI) 显示出比计算机断层扫描 (CT) 更优异的性能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 子宫内膜癌的诊断依赖于成像技术.
- 计算机断层扫描 (CT) 和磁共振成像 (MRI) 是常用的.
- 深度学习为提高诊断准确性提供了潜力.
研究的目的:
- 为了比较CT和MRI用于子宫内膜癌检测的诊断性能.
- 评估用于子宫内膜癌分类的深度学习方法.
- 为了评估混合ResNet50视觉变压器 (ViT) 模型的有效性.
主要方法:
- 使用了两个数据集:KAUH子宫内膜癌MRI数据集 (KAUH-ECMD) 和KAUH子宫内膜癌CT数据集 (KAUH-ECCTD).
- 应用混合深度学习模型 (ResNet50和ViT) 来对图像进行分类.
- 分类图像为良性,恶性和正常类别.
主要成果:
- 维特网模型在MRI图像中实现了90.24%的准确性.
- 在ViTNet模型中,CT图像的准确度达到86.99%.
- 基于MRI的分类显示了与CT相比的优异性能.
结论:
- 深度学习模型使用MRI和CT准确地分类子宫内膜病例.
- 核磁共振扫描显示,对支持子宫内膜癌诊断工作流程的显著前景.
- 未来的研究将验证该模型用于预后特征评估,例如入侵深度.


