2022-09-22

背景：胃癌组织病理学切片分析是诊断胃癌的金标准，而人工鉴定耗时且高度依赖病理学家的经验。人工智能方法，尤其是深度学习，可以帮助病理学家发现癌变组织并实现自动化检测。然而，由于胃癌病灶形状和大小的多样性以及干扰因素较多，GCHIs具有高度的复杂性和准确定位病灶区域的难度。传统的深度学习方法由于解码方法简单，无法有效提取判别特征，无法准确检测病灶，专门用于检测胃癌病灶的研究较少。
方法：提出了一种胃癌病灶检测网络（GCLDNet）。
首先，GCLDNet在decoder中设计了层次特征聚合结构，可以有效融合深浅 GCHI 的特点。
其次，引入注意力特征融合模块，准确定位病灶区域，融合不同尺度的注意力特征，获得针对病灶的丰富判别信息。
最后，采用focal Tversky loss（FTL）作为损失函数来抑制假阴性预测并挖掘困难样本。

结果：在SEED和BOT的两个GCHI数据集上的实验结果表明，GCLDNet的DSC分别为0.8265和0.8991，ACC分别为0.8827和0.8949，JIs分别为0.7092和0.8182，PREs分别为0.7820和0.8763。

结论：实验结果证明了GCLDNet在胃癌病灶检测中的有效性。与其他最先进的（SOTA）检测方法相比，GCLDNet 获得了更令人满意的性能。本研究可为病理学家临床诊断提供良好的辅助支持。

人工智能，注意力特征融合；卷积神经网络；深度学习； 胃癌病灶检测；图像分割；级特征聚合。
artificial intelligence; attention feature fusion; convolutional neural network; deep learning; gastric cancer lesion detection; image segmentation; level feature aggregation.

GCLDNet: Gastric cancer lesion detection network combining level feature aggregation and attention feature fusion - PubMed (nih.gov)