多尺度深度学习集成用于子宫内膜异位症病灶的分割

摘要：超声是识别子宫内膜异位症病灶的一种易得、非侵入性且低成本的筛查方法，但其诊断特异性在很大程度上依赖于操作员的经验。因此，基于人工智能技术的计算机辅助诊断工具可以在减轻临床工作负担和提高此类检查及其结果的整体准确性方面为临床工作人员提供重要帮助。然而，尽管这些技术在多个领域迅速发展，但在子宫内膜异位症方面的应用仍然非常有限。为填补这一空白，我们提出并评估了一种新颖的多尺度集成方法，用于从经阴道超声图像中自动分割子宫内膜异位症病灶。该方法的独特性在于其高 discriminative 能力，通过以融合方式结合多个在不同粒度数据上训练的卷积神经网络来实现。实验验证表明：（i）所提出的方法显著提升了各个神经网络的性能，即使在训练集有限的情况下；（ii）具有82%的Dice系数，代表了一种有效的解决方案，可以提高超声检查对该病理的诊断有效性。