深度学习模型助力宫颈癌组织精准分割：提升临床诊断效率

研究人员利用深度学习模型对宫颈癌组织进行分割研究，TransUnet 模型效果优异，可提高诊断效率。

　　从磁共振（MR）图像中有效分割宫颈癌组织对于宫颈癌的自动检测、分期和治疗规划至关重要。本研究开发了一种创新的深度学习模型，以增强对宫颈癌病变的自动分割。研究人员从 222 例经病理证实的宫颈癌患者中获取了 4063 张 T2 加权成像（T2WI）小视野矢状面、冠状面和斜轴面图像。利用这个数据集，研究人员采用卷积神经网络（CNN）和 TransUnet 模型对宫颈癌组织进行分割训练和评估。在这种方法中，CNN 用于从 MR 图像中提取局部信息，而 Transformer 则捕捉与形状和结构信息相关的长程依赖关系，这对精确分割至关重要。此外，研究人员利用多方向 MRI 技术，基于小视野内的冠状面、轴面和矢状面 T2WI 开发了三种不同的分割模型。使用骰子相似系数（DSC）和平均豪斯多夫距离（AHD）来评估模型的分割精度。使用 TransUnet 模型获得的平均 DSC 和 AHD 值分别为 0.7628 和 0.8687，比使用 U-Net 模型分别高出 0.0033 和 0.3479。与其他模型相比，所提出的 TransUnet 分割模型显著提高了宫颈癌组织轮廓描绘的准确性，在整体分割效果上表现更优。该方法作为一种专为宫颈癌诊断量身定制的自动图像分析工具，能够提高临床诊断效率。