[CGP-Net:用于精确胃癌细分的交叉模式指导先前网络]
Chaoyang Ge1,2, Yifan Gao1,2, Cheng Liu1,2
1Division of Life Sciences and Medicine, School of Biomedical Engineering (Suzhou), University of Science and Technology of China, Hefei 230026, P. R. China.
概括
一种新方法,CGP-Net,使用大型语言模型来改善CT扫描上的胃癌细分. 这种方法提高了更好的临床诊断和治疗规划的准确性.
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:
- 在CT图像中精确的胃癌细分对于精准医学至关重要.
- 挑战包括瘤与组织之间的差异较低以及瘤特征的高变化.
- 现有的方法在界限划分和精确的定位方面存在困难.
研究的目的:
- 开发一种用于胃癌CT图像细分的自动化方法.
- 从诊断报告中利用跨模式的先前知识.
- 为了改善临床应用的细分精度和边界划分.
主要方法:
- 提出了一个跨模式的先前知识导向网络 (CGP-Net).
- 使用大型语言模型 (LLM) 来从诊断报告中提取视觉先验.
- 整合了一个语义定和解析模块用于病变定位.
- 采用混合上下文感知Mamba模块用于特征建模和边界感知封闭卷积模块用于划分.
主要成果:
- 在349名患者的数据集上,达到了78.10%的Dice系数和16.44毫米的HD95.
- 在细分精度和边界预测方面超过了U-Mamba和nnUNet等最先进的方法.
- 通过整合文本先验,显著提高了细分精度.
结论:
- CGP-Net有效地集成文本信息,以改善胃癌CT图像细分.
- 该方法解决了低对比度和高瘤变异性的挑战.
- 为改善诊断和治疗规划提供显著的临床价值.
