Los puntos clave no están disponibles para este artículo en este momento.
El segundo tipo de tumor maligno más común en todo el mundo es el cáncer colorrectal. El análisis de imágenes histopatológicas ofrece datos cruciales para el diagnóstico clínico del cáncer colorrectal. Actualmente, se aplican técnicas de aprendizaje profundo para mejorar la clasificación del cáncer y la localización del tumor en el análisis de imágenes histopatológicas. Además, las técnicas tradicionales de aprendizaje profundo pueden perder información integrada en la imagen al evaluar miles de parches recuperados de imágenes de diapositivas completas (WSIs). Esta investigación propone una nueva red de detección de cáncer colorrectal (CCDNet) que combina transformadores de atención por coordenadas con convolución atrous. CCDNet primero elimina el ruido de la imagen histopatológica de entrada utilizando un filtro de medios no locales ponderado por punto medio basado en Wiener (WMW-NLM) para garantizar diagnósticos precisos y mantener las características de la imagen. Además, se introduce una nueva convolución atrous con transformador de atención por coordenadas (AConvCAT), que combina con éxito las ventajas de dos redes para clasificar tejido colorrectal en diversas escalas al capturar información local y global. Además, se integra un modelo de atención por coordenadas con un transformador de ventana en forma de cruz (CrSWin) para capturar pequeños cambios en el tejido colorrectal desde múltiples ángulos. El CCDNet propuesto logró tasas de precisión del 98.61% y 98.96%, en las imágenes histológicas colorrectales y los conjuntos de datos NCT-CRC-HE-100 K respectivamente. El análisis comparativo demuestra que el marco sugerido tuvo un mejor desempeño que los métodos más avanzados ya en uso. En los hospitales, los clínicos pueden utilizar el CCDNet propuesto para verificar el diagnóstico.
Khalid et al. (Sat,) estudiaron esta cuestión.