临床导向的自动二维肝脏瘤细分:LCMambaNet具有状态空间模型和肝癌特定关注

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:

• 肝癌带来了重大的全球健康挑战,发病率和死亡率不断上升.
• 由于复杂的成像特征和当前深度学习模型的局限性,难以准确地对瘤进行细分.
• 现有的3D深度学习架构需要大量的计算资源,这阻碍了临床应用.

研究的目的:

• 引入肝癌曼巴网络 (LCMambaNet),这是一个有效的2D细分框架,用于肝癌.
• 解决现有模型在平衡计算效率和细分精度方面的局限性.
• 改善肝病变的检测和特征,特别是小的肝病变.

主要方法:

• 开发了LCMambaNet,一个利用选择性状态空间模型的2D细分框架.
• 实现了扫描补丁机制,以提取突出的纹理和密度特征.
• 整合了肝癌注意模块 (LCAM),以区分瘤特征与正常组织.
• 对LITS (CT) 和CirrMR160+ (MRI) 数据集的评估性能.

主要成果:

• LCMambaNet实现了高分段精度,LITS上的Dice得分为92.94%,CirrMR160+的得分为92.08%.
• 与基线模型相比,在小病变 (<2厘米) 上表现出统计学上显著的优异性能.
• 废弃性研究证实了单个模型组件的有效性.

结论:

• LCMambaNet为2D肝脏瘤细分提供了一种高效和临床可行的解决方案.
• 该模型的设计克服了当前深度学习方法的计算和准确性限制.
• 它在小病变上的强大表现支持早期诊断和精确的治疗计划在肝癌管理.