摘要：在全切片中分割不同组织对胰腺癌的诊疗十分重要,但目前面临内容复杂、样本偏少、样本异质性高等挑战。本文研究了胰腺癌病理切片八种类别的组织分割,通过引入注意力机制并设计分层共享的多任务结构,利用相关辅助任务显著提升模型性能。本文模型在上海长海医院的数据集上进行训练与测试,并在TCGA公开数据集上进行外部验证,在内部测试集上F1分数均高于0.97,在外部验证集上F1分数均高于0.92,且泛化性能显著优于基线方法。实验表明,本文模型可准确分割胰腺癌全切片图像中的不同组织,为临床诊断提供可靠依据。

摘要：针对传统临床检查中血清生化物指标诊断精度较低,以及视觉评估磁共振图像无法精确对肝脏纤维化程度分级的缺点,设计了一种肝脏纤维化分级的多模态多通道融合的深度学习算法(MCMD-Resnet18)。该算法充分利用磁共振图像数据和临床文本数据二者之间的语义信息,在网络的分类器阶段将图像文本两个通道数据实现融合,结合了两种模态的特性信息,最后对深度特征进行可视化,使得分类模型具有可解释性。实验证明,与单一模态的数据和临床通用方法相比,该算法在受试者工作特征曲线下的面积、准确率等指标上有更好的结果,模型性能更加稳定。该算法可以有效实现无创评估患者临床显著肝脏纤维化,具有广泛应用的价值。