Mder-net: una red de atención inversa mejorada con detalles a varias escalas para la segmentación semántica de tumores de vejiga en imágenes de cistoscopia
Autores: Nie, Chao; Xu, Chao; Li, Zhengping
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Mder-net: una red de atención inversa mejorada con detalles a varias escalas para la segmentación semántica de tumores de vejiga en imágenes de cistoscopia
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Cistoscopia con luz blanca
Cáncer de vejiga
Detección de tumores
Algoritmos de segmentación
Características a múltiples escalas
Información detallada
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 23
Citaciones: Sin citaciones
La cistoscopia con luz blanca es el estándar de oro para el diagnóstico del cáncer de vejiga. La detección automática y precisa de tumores es esencial para mejorar la resección quirúrgica del cáncer de vejiga y reducir la recurrencia tumoral. En la actualidad, los algoritmos de segmentación de imágenes médicas basados en Transformadores enfrentan desafíos para restaurar información detallada de grano fino e información de límites locales de características y tienen una adaptabilidad limitada a características multiescala de lesiones. Para abordar estos problemas, proponemos una nueva red de atención inversa mejorada con detalles multiescala, MDER-Net, para una segmentación precisa y robusta de tumores de vejiga. En primer lugar, proponemos un nuevo módulo de atención de canal eficiente multiescala (MECA) para procesar cuatro niveles diferentes de características extraídas por el codificador PVT v2 para adaptarse a los cambios multiescala en los tumores de vejiga; en segundo lugar, utilizamos el módulo de agregación densa (DA) para agregar información de características semánticas avanzadas multiescala; luego, se utiliza el módulo de agregación de similitud (SAM) para fusionar características de alto y bajo nivel multiescala, complementándose en posición e información detallada; finalmente, proponemos un nuevo módulo de atención inversa mejorado con detalles (DERA) para capturar características de límites no salientes y explorar gradualmente la información de características de límites de tumores y detalles de grano fino; además, proponemos un nuevo módulo de atención de espacio de canal eficiente (ECSA) que mejora el contexto local y mejora el rendimiento de la segmentación al suprimir la información redundante en características de bajo nivel. Experimentos extensos en el conjunto de datos de tumores de vejiga BtAMU, establecido en este artículo, y en cinco conjuntos de datos públicos de pólipos muestran que MDER-Net supera a ocho métodos de última generación (SOTA) en términos de efectividad, robustez y capacidad de generalización.
Descripción
La cistoscopia con luz blanca es el estándar de oro para el diagnóstico del cáncer de vejiga. La detección automática y precisa de tumores es esencial para mejorar la resección quirúrgica del cáncer de vejiga y reducir la recurrencia tumoral. En la actualidad, los algoritmos de segmentación de imágenes médicas basados en Transformadores enfrentan desafíos para restaurar información detallada de grano fino e información de límites locales de características y tienen una adaptabilidad limitada a características multiescala de lesiones. Para abordar estos problemas, proponemos una nueva red de atención inversa mejorada con detalles multiescala, MDER-Net, para una segmentación precisa y robusta de tumores de vejiga. En primer lugar, proponemos un nuevo módulo de atención de canal eficiente multiescala (MECA) para procesar cuatro niveles diferentes de características extraídas por el codificador PVT v2 para adaptarse a los cambios multiescala en los tumores de vejiga; en segundo lugar, utilizamos el módulo de agregación densa (DA) para agregar información de características semánticas avanzadas multiescala; luego, se utiliza el módulo de agregación de similitud (SAM) para fusionar características de alto y bajo nivel multiescala, complementándose en posición e información detallada; finalmente, proponemos un nuevo módulo de atención inversa mejorado con detalles (DERA) para capturar características de límites no salientes y explorar gradualmente la información de características de límites de tumores y detalles de grano fino; además, proponemos un nuevo módulo de atención de espacio de canal eficiente (ECSA) que mejora el contexto local y mejora el rendimiento de la segmentación al suprimir la información redundante en características de bajo nivel. Experimentos extensos en el conjunto de datos de tumores de vejiga BtAMU, establecido en este artículo, y en cinco conjuntos de datos públicos de pólipos muestran que MDER-Net supera a ocho métodos de última generación (SOTA) en términos de efectividad, robustez y capacidad de generalización.