A segmentation-based sequence residual attention model for KRAS gene mutation status prediction in colorectal cancer—— 基于分割序列的残差注意力模型预测结直肠癌KRAS基因突变

一.主要贡献

1. PG-SN用来捕获不同层次病变的分割特征，生成掩膜，给CG-CN提供予指导（精确的病灶定位信息），且与PG-SN共享编码器和解码器。
2. 设计了一种边界损失，将其与Combo损失联合使用，以解决病变边界像素难以正确分类的问题。
3. T2加权的MRI图像，利用分割任务产生的分割特征和病变掩膜来提高分类任务的有效性。

二.现存问题

1. 数据样本较少。虽然许多医疗机构可以生成大量的患者病理图像，但病理图像有效注释的数量少限制了有效病理图像的数量
2. 病变图像异质性高。在形状和大小上，不同类型病变之间的差异很小，而同一类型病变之间的差异很大。此外，病变与周围组织的对比度较低，导致病变边界模糊，给模型精确定位病变增加了困难。
3. 病变边界像素难以正确分类。
   

三.模型结构

1.PG-SN

2.Pixel Gated Segmentation Network (PG-SN)

3.SRB-BLOCK

4.Pixel gated attention module（PGA）

在UNet结构中，编码器特征较低，而解码器特征较高且较抽象。在UNet系列中，编码器特征和解码器特征主要采用直接连接的方式融合，由于特征尺度不均匀，深度细节特征丢失。虽然在跳跃连接上增加了一系列卷积层来缓解语义问题，但如果卷积数不合适，不仅不能缓解特征之间的差异，还会导致其他问题。因此，使用直接连接和增加卷积层的融合方法并不能解决语义差距。

5.Channel guided classification network (CG-CN)

它由四个部分组成:一个新的分类编码器、一个分类器、一个编码器和一个解码器。编码器和解码器与PG-SN共享相同的结构和参数。