Ein medizinisches Bildsegmentierungsverfahren für Rektumtumoren basierend auf multi-skalarem Merkmalsbehalt und mehreren Aufmerksamkeitsmechanismen

Zusammenfassung Hintergrund Mit der kontinuierlichen Entwicklung von Deep-Learning-Algorithmen im Bereich medizinischer Bilder haben Modelle zur Verarbeitung medizinischer Bilder auf der Basis von konvolutionalen neuronalen Netzwerken große Fortschritte gemacht. Da medizinische Bilder von Rektumtumoren durch spezifische morphologische Merkmale und komplexe Kanten gekennzeichnet sind, die sich von natürlichen Bildern unterscheiden, erfordert das Erreichen guter Segmentierungsergebnisse oft ein höheres Maß an Anreicherung durch die Nutzung semantischer Merkmale. Ziel Die Effizienz der Merkmalsauswahl und -nutzung wurde in den meisten Modellen durch verbesserte Hardware-Arithmetik und tiefere Netzwerke bis zu einem gewissen Grad verbessert. Dennoch bestehen weiterhin Probleme mit dem Verlust von Details und der Schwierigkeit, Merkmale zu extrahieren, die aus der Extraktion hochgradiger semantischer Merkmale in tiefen Netzwerken resultieren. Methoden In dieser Arbeit wurde ein neuartiges Modell zur medizinischen Bildsegmentierung für die Segmentierung von Rektumtumoren in der Magnetresonanztomographie (MRT) vorgeschlagen. Das Modell konstruiert eine Backbone-Architektur basierend auf der Idee der sprungverknüpften Merkmalsfusion und löst die Probleme des Verlusts von Detailmerkmalen und der niedrigen Segmentierungsgenauigkeit mithilfe von drei neuartigen Modulen: Multi-Scale Feature Retention (MFR), Multi-Branch Cross-Channel Attention (MCA) und Coordinate Attention (CA). Ergebnisse Im Vergleich zu bestehenden Methoden ist unser vorgeschlagenes Modell in der Lage, das Tumorareal effektiver zu segmentieren und erreicht 97,4 % bzw. 94,9 % in den Dice- und mIoU-Metriken und zeigt hervorragende Segmentierungsleistung und Rechengeschwindigkeit. Schlussfolgerungen Unser vorgeschlagenes Modell hat die Genauigkeit sowohl der Segmentierung des Läsionsbereichs als auch des Tumorrands verbessert. Insbesondere kann die Bestimmung der Läsionsregion den Ärzten helfen, den Tumorstandort in der klinischen Diagnose zu identifizieren, und die genaue Segmentierung des Tumorrands kann den Ärzten bei der Beurteilung der Notwendigkeit und Machbarkeit einer Operation helfen.