合作转移网络用于乳腺癌多重分类 组织病理学图像

科学领域:

• 在瘤学瘤学.
• 计算病理学计算病理学
• 医学成像分析 医学成像分析

背景情况:

• 全球乳腺癌发病率正在上升,需要精确的亚型分类才能有效治疗.
• 组织病理图像分析面临的挑战是由于亚型相似性和细胞分布不均,阻碍了多种分类的准确性.
• 现有的方法在不同数据集的概括性方面存在困难.

研究的目的:

• 从基因病理图像开发一种准确和可通用的方法,用于从基因病理图像中对乳腺癌亚型进行多重分类.
• 解决当前分类技术在数据一致性和多数据集适用性方面的局限性.
• 引入协作转移网络 (CTransNet) 以加强乳腺癌图像分析.

主要方法:

• 拟议的CTransNet将一个转移学习骨干 (DenseNet) 与一个用于特征提取的剩余协作分支集成在一起.
• 采用功能融合策略来优化和微调网络的性能.
• 利用预先训练的ImageNet功能和从病态图像中进行协作提取.

主要成果:

• 在BreaKH数据集上,CTransNet实现了98.29%的分类准确度,超过了最先进的方法.
• 在两个额外的公共数据集 (乳腺癌等级ICT和ICIAR2018_BACH_Challenge) 上表现出卓越的性能和良好的概括能力.
• 视觉分析证实了在瘤学家的指导下发现的结果.

结论:

• CTransNet为乳腺癌组织病理图像的多重分类提供了一个高度准确和强大的解决方案.
• 该网络的强大泛化性能使其适用于不同数据集的应用.
• 这一进步有可能提高乳腺癌治疗计划的精度.