增强的深度神经网络用于在微超声图像中进行前列腺细分
Ahmed Al-Qurri1, Asem Thaher2, Mohamed Khaled Almekkawy1
1The School of Electrical Engineering and Computer Science, Pennsylvania State University, University Park, PA 16802, USA.
Sensors (Basel, Switzerland)
|November 27, 2025
概括
这项研究引入了一种新的深度学习模型,用于微超声图像中精确的前列腺细分,改善前列腺癌检测的自动诊断,并帮助早期干预.
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:
- 前列腺癌的诊断依赖于准确的细分,这在手工上是具有挑战性的.
- 微超声波 (美国) 提供高分辨率的前列腺成像,与MRI相提并论.
- 深度学习的进步需要精确的细分来实现自动化前列腺癌诊断.
研究的目的:
- 为微超声波前列腺图像开发精确的细分模型.
- 为了克服微型美国前列腺细分界限模糊的挑战.
- 提高前列腺癌的自动诊断和活检指导.
主要方法:
- 一个双编码器架构,集成CNN和变压器编码器.
- 一个基于Mamba v2的解码器,以提高细分精度.
- 一个超图神经网络 (HGNN) 来建模复杂的相关性.
主要成果:
- 拟议的模型在微型美国数据集上实现了卓越的性能.
- 获得了0.9416的子得分和1.93.95的HD95得分.
- 证明了与最先进的细分方法可比的结果.
结论:
- 这种新型模型提供了精确的微超声波前列腺细分.
- 这一进步支持自动诊断,并改善前列腺癌检测.
- 混合架构有效地捕捉全球和本地图像特征.
