• 1. 重慶師范大學 計算機與信息科學學院 (重慶 401331);
  • 2. 重慶市人民醫院 放射科 (重慶 401331);
導出 下載 收藏 掃碼 引用

高級別漿液性卵巢癌惡性程度高,檢出時易發生周圍軟組織浸潤、腹腔與淋巴結轉移、腹膜種植和遠處轉移,是否復發成為該疾病手術計劃與治療手段的重要參考依據。目前的復發預測模型未考慮整個卵巢內部組織之間的潛在病理關系,通常使用較為復雜的卷積神經網絡提取局部區域特征進行判斷,準確率不高且成本開銷大。針對此問題,本文提出了一種新的面向高級別漿液性卵巢癌復發預測的輕量級深度算法模型。該模型先使用鬼影卷積(Ghost Conv)和坐標注意力(CA)建立鬼影倒殘差模塊(SCblock)提取圖像的局部特征信息,然后通過提出的分層融合變換器(Transformer)模塊(STblock)進行全局信息的捕捉與多層次信息的融合,提升不同層之間的交互能力;Transformer模塊則通過先展開特征圖使其對應區域塊進行計算,再折疊還原,以此降低計算成本開銷。最后,將每個STblock模塊進行深淺層的深度信息融合,并加入患者的臨床元數據共同進行復發預測。實驗結果表明,相較于主流的輕量級移動視覺Transformer網絡(MobileViT),本文提出的切片視覺Transformer網絡(SlicerViT)在準確率、精確率、靈敏度、F1分數上均有提高,計算量僅為其1/6,參數量降低1/2。本文研究證實了所提算法模型在高級別漿液性卵巢癌的復發預測上更加精確高效,未來可作為一種輔助診斷技術提高患者生存率,并有利于將模型應用于嵌入式設備。

引用本文: 崔少國, 唐藝菠, 萬皓明, 王銳, 劉麗麗. 基于分層變換器融合元數據的高級別漿液性卵巢癌輕量級復發預測模型. 生物醫學工程學雜志, 2024, 41(4): 807-817. doi: 10.7507/1001-5515.202308009 復制

版權信息: ?四川大學華西醫院華西期刊社《生物醫學工程學雜志》版權所有,未經授權不得轉載、改編

  • 上一篇

    X線片橈骨遠端骨折自動快速診斷研究
  • 下一篇

    基于運動噪聲構造結合凸組合最小均方自適應濾波算法檢測動態血氧飽和度的研究