AnatomicalNets: Pipeline di Deep Learning per la Stadiatura T del Cancro Polmonare
Un articolo di ricerca su arXiv presenta AnatomicalNets, una pipeline di deep learning multi-stadio per la stadiatura T del cancro polmonare. A differenza dei modelli di classificazione a scatola nera convenzionali, AnatomicalNets riformula la stadiatura come un problema di inferenza basata su misurazioni e regole. Utilizza tre reti encoder-decoder per segmentare il parenchima polmonare, il tumore e il mediastino, con il confine del diaframma stimato tramite un'euristica del contorno polmonare. L'approccio mira ad allinearsi con criteri anatomici espliciti delle linee guida cliniche, migliorando l'interpretabilità e l'accuratezza.
Fatti principali
- Titolo: AnatomicalNets: Una Pipeline di Segmentazione Multi-Struttura e Stima della Distanza Basata sul Contorno per la Stadiatura T del Cancro Polmonare Clinicamente Fondata
- Pubblicato su arXiv con ID 2511.19367
- Tipo di annuncio: replace-cross
- Propone una pipeline multi-stadio per la stadiatura del tumore
- Utilizza tre reti encoder-decoder dedicate per la segmentazione
- Riformula la stadiatura come inferenza basata su misurazioni e regole
- Si concentra sulla stadiatura T del cancro polmonare
- Mira a migliorare l'interpretabilità rispetto alla classificazione deep learning
Entità
Istituzioni
- arXiv