Segmentation Strategies in Deep Learning for Prostate Cancer Diagnosis: A Comparative Study of Mamba, SAM, and YOLO

要約

前立腺がんの組織病理画像の正確なセグメンテーションは、診断と治療計画に不可欠です。
この研究では、前立腺がんの組織病理画像をセグメント化するための 3 つの深層学習ベースの方法、Mamba、SAM、YOLO の比較分析を示します。
私たちは、Dice スコア、精度、再現率のメトリクスを使用して、Gleason 2019 と SICAPv2 という 2 つの包括的なデータセットでこれらのモデルのパフォーマンスを評価しました。
私たちの結果は、High-order Vision Mamba UNet (H-vmunet) モデルが他の 2 つのモデルよりも優れており、両方のデータセットのすべてのメトリックにわたって最高のスコアを達成していることを示しています。
H-vmunet モデルの高度なアーキテクチャは、高次の視覚状態空間と 2D 選択的スキャン操作を統合しており、さまざまなスケールにわたって効率的かつ高感度の病変検出を可能にします。
私たちの研究は、臨床応用に対する H-vmunet モデルの可能性を実証し、医用画像解析における深層学習ベースの手法の堅牢な検証と比較の重要性を強調しています。
この研究の結果は、前立腺がんの正確で信頼性の高いコンピュータ支援診断システムの開発に貢献します。
コードは http://github.com/alibdz/prostate-segmentation で入手できます。

要約(オリジナル)

Accurate segmentation of prostate cancer histopathology images is crucial for diagnosis and treatment planning. This study presents a comparative analysis of three deep learning-based methods, Mamba, SAM, and YOLO, for segmenting prostate cancer histopathology images. We evaluated the performance of these models on two comprehensive datasets, Gleason 2019 and SICAPv2, using Dice score, precision, and recall metrics. Our results show that the High-order Vision Mamba UNet (H-vmunet) model outperforms the other two models, achieving the highest scores across all metrics on both datasets. The H-vmunet model’s advanced architecture, which integrates high-order visual state spaces and 2D-selective-scan operations, enables efficient and sensitive lesion detection across different scales. Our study demonstrates the potential of the H-vmunet model for clinical applications and highlights the importance of robust validation and comparison of deep learning-based methods for medical image analysis. The findings of this study contribute to the development of accurate and reliable computer-aided diagnosis systems for prostate cancer. The code is available at http://github.com/alibdz/prostate-segmentation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google