<em id="j55jf"><span id="j55jf"><track id="j55jf"></track></span></em>

      <form id="j55jf"><form id="j55jf"></form></form>
      <form id="j55jf"></form>

      <address id="j55jf"></address>

      深醫科研成果

      醫學部汪天富教授團隊在《IEEE Transactions on Medical Imaging》 上發表重要文章

      文章來源: 作者: 發布時間:2021年03月09日 點擊數: 字體:

      近期,深圳大學醫學部生物醫學工程學院汪天富教授團隊的研究成果“3D Multi-attention Guided Multi-task Learning Network for Automatic Gastric Tumor Segmentation and Lymph Node Classification”在《IEEE Transactions on Medical Imaging??(JCR1區TOP,影響因子6.685)上發表。論文通訊作者是雷柏英副教授和馬國林教授,第一作者是碩士研究生張永濤,深圳大學為第一署名單位,北京中日友好醫院為合作單位。

      由于CT掃描具有高成像密度分辨率、檢查方便、速度快、無創等優點,其已成為胃癌的常規成像方式。然而,人工逐片檢查是相當耗時的,并且嚴重依賴放射科醫師的經驗。因此,一個有效的CT圖像計算機輔助診斷(CAD)系統對于協助醫生選擇合理的手術方法和預后計劃至關重要,而現存的CAD系統并未有全面針對CT影像中胃癌的自動化分析研究。

      該研究提出一種新的多注意力引導的多任務學習網絡用于原發腫瘤的分割和淋巴結轉移的分類,該網絡可以充分利用從不同維度、尺度和任務中提取的互補信息。具體而言,我們利用卷積神經網絡解決任務相關性和異質性問題,這個多任務網絡包括尺度感知注意力引導的共享特征學習和任務感知注意力引導的特征學習,前者用于提取精細和通用的多尺度特征,后者用于從共享特征池進一步學習特定任務的區分特征。在我們收集的CT數據集上,該方法在分割任務中完成了63.0%的DSC分數,同時在分類任務中獲得了82.3%的準確率。結果表明,該方法優于當前最先進的5種深度分割模型和最先進的6種深度分類模型。此外,對比單任務學習網絡,該多任務學習網絡能夠進一步大幅提升淋巴結轉移分類任務的準確率。

      該研究獲得了國家自然科學基金、廣東省自然科學基金、深圳市重點基礎研究發展計劃等項目資助。

      研究成果鏈接:?https://ieeexplore.ieee.org/document/9366506

      代碼鏈接:https://github.com/infinite-tao/MA-MTLN

      提出的多注意力引導的多任務學習網絡流程圖

      【打印文章】 【添加收藏】
      星客电商靠谱吗