Reconocimiento de imágenes de patología digital mejorado mediante mecanismos de atención múltiple: el enfoque...

Área de la Ciencia:

• Patología digital
• Patología computacional
• Análisis de imágenes médicas

Sus antecedentes:

• La interpretación manual de las imágenes de patología digital para el diagnóstico del cáncer es ineficiente y subjetiva.
• Los modelos de aprendizaje profundo existentes luchan por reconocer los núcleos celulares del osteosarcoma debido a las limitaciones en los mecanismos de atención y los campos receptivos.

Objetivo del estudio:

• Desarrollar un nuevo modelo de aprendizaje profundo, MACC-Net, para mejorar la precisión del reconocimiento de núcleos celulares de osteosarcoma en imágenes de patología digital.
• Abordar las limitaciones de la atención unidimensional y los campos receptivos fijos en las Redes Neurales Convolucionales (RNC).

Principales métodos:

• Introducción de MACC-Net, un modelo de aprendizaje profundo basado en la atención múltiple.
• Integración de los mecanismos de atención a nivel de canal, espacio y píxeles.
• Mejora de la consistencia de las características y expansión del campo receptivo para un mejor reconocimiento celular.

Principales resultados:

• MACC-Net logró un coeficiente de similitud de dados (DSC) de 0,847 en el reconocimiento de núcleos celulares de osteosarcoma.
• El modelo demostró una mayor precisión en el reconocimiento de bordes y la diferenciación de células superpuestas en comparación con los métodos tradicionales.

Conclusiones:

• MACC-Net muestra un potencial significativo como herramienta de diagnóstico auxiliar confiable para los patólogos en patología digital.
• El enfoque de atención múltiple supera efectivamente las limitaciones de los modelos de aprendizaje profundo existentes para el reconocimiento del núcleo de la célula cancerosa.