[拓意识自我注意网络用于口腔潜在恶性疾病图像的自动细分]
1Department of Information Center, Stomatology Hospital, School of Stomatology, Zhejiang University School of Medicine & Clinical Research Center for Oral Diseases of Zhejiang Province & Key Laboratory of Oral Biomedical Research of Zhejiang Province & Cancer Center of Zhejiang University & Engineering Research Center of Oral Biomaterials and Devices of Zhejiang Province, Hangzhou 310005, China.
概括
一个新的TopoFormer模型将拓数据分析 (TDA) 与变压器集成,用于准确的口腔损伤细分. 这种AI方法增强了口腔潜在恶性疾病 (OPMD) 和口腔状细胞癌 (OSCC) 的检测.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算拓学的计算拓学
背景情况:
- 精确的口腔病变细分对于诊断口腔潜在恶性疾病 (OPMD) 和口腔状细胞癌 (OSCC) 至关重要.
- 现有的细分模型面临着复杂的口腔环境的挑战,包括镜像反射和各种病变外观.
研究的目的:
- 通过将拓数据分析 (TDA) 与变压器架构集成,开发一个先进的自动口腔损伤细分模型TopoFormer.
- 提高口腔图像中OPMD和OSCC病变细分的准确性和稳定性.
主要方法:
- 利用SegFormer作为骨干网络,并嵌入了一个新的拓注意力模块 (TAM).
- TAM采用持久同质学来提取强大的拓特征并抑制图像数据中的噪声.
- 在一个全面的口腔数据集上,使用Dice相似系数 (DSC),平均交叉与联合 (mIoU) 和Betti数误差 (BNE) 评估性能.
主要成果:
- 在测试组中,TopoFormer获得了0.801的DSC和71.1%的mIoU.
- 该模型表明,与基线模型相比,虚假阳性减少了,并产生了比基线模型更平滑,更连续的损伤边界.
- 取得了1.28的贝蒂数误差 (BNE),表明了精确的拓特征提取.
结论:
- 在对OPMD和OSCC病变进行细分时,TopoFormer具有卓越的准确性和稳定性.
- 在具有挑战性的口腔成像场景中,纳入拓先验可以提高细分性能.
- 该模型显示出在计算机辅助诊断系统中用于口腔癌检测的重大应用潜力.
