CAM-VT:一个弱监督的宫癌巢图像识别方法,使用联合注意力机制和视觉转换器
Zizhen Fan1, Xiangchen Wu2, Changzhong Li2
1Microscopic Image and Medical Image Analysis Group, College of Medicine and Biological Information Engineering, Northeastern University, Shenyang, China.
Computers in biology and medicine
|June 9, 2023
概括
一个新的计算机辅助诊断系统,联合注意力机制和视觉变压器 (CAM-VT),准确地从纸张片中识别子宫癌. 这种自动化方法显著改进了手动方法和现有的深度学习模型,用于宫癌查.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 计算病理学计算病理学
背景情况:
- 宫癌是妇女死亡的主要原因,需要有效的查方法.
- 用于宫癌查的细胞病理图像的手动分析是劳动密集型的,容易导致高误诊率.
- 宫癌图像中的复杂细胞结构,包括密集的重叠和不透明的细胞,构成识别挑战.
研究的目的:
- 开发和评估一种弱监督的方法,以在细胞病理图像中准确和快速识别宫癌.
- 引入一个新的框架,联结注意力机制和视觉变压器 (CAM-VT),用于自动化宫癌诊断.
- 通过先进的特征提取和集体学习技术来提高自动诊断系统的性能.
主要方法:
- 实施一种用于局部特征提取的联结注意力机制.
- 使用视觉变压器模块进行全局特征提取.
- 开发一个集体学习模块,以汇总预测并提高识别准确性.
- 在宫和胃组织病理学数据集上进行比较和切除实验.
主要成果:
- 在验证组中,CAM-VT框架的平均准确率为88.92%,超过了22个知名的深度学习模型.
- 宫巢的前5名和前10名阳性概率值分别达到97.36%和96.84%.
- 废除和扩展的实验证明了框架的稳定性和对不同类型病理学数据集的概括能力.
结论:
- 拟议的CAM-VT框架在从细胞病理图像中识别宫癌巢穴方面表现出卓越的性能.
- CAM-VT为宫癌查提供了一个有前途的自动化解决方案,具有重要的临床和实际影响.
- 该框架能够处理复杂的图像特征,并在数据集中进行概括,这突显了其对现实世界临床应用的潜力.
