基于meta-adaptive-weighting的双边多维精细空间特征注意力网络,用于不平衡的乳腺癌组织病理图像分类
Yuchao Hou1, Wendong Zhang2, Rong Cheng3
1Department of Mathematics and Computer Science, Shanxi Normal University, Taiyuan 030031, China; State Key Laboratory of Dynamic Testing Technology, North University of China, Taiyuan 030051, China.
Computers in biology and medicine
|August 9, 2023
概括
这项研究引入了一种新的AI模型,MAW-BMRSFAN,用于乳腺癌基因病理图像分类. 该模型即使在不平衡的数据集上也能达到高精度,从而提高了诊断能力.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算病理学计算病理学
背景情况:
- 准确的乳腺癌诊断依赖于组织病理学图像分析.
- 在基因病理学中不平衡的数据集导致分类性能降低.
- 现有的方法在医疗图像分类中的数据不平衡的挑战中扎.
研究的目的:
- 开发一个先进的深度学习模型,用于准确的乳腺癌组织病理学图像分类.
- 解决自动诊断系统中数据集不平衡的挑战.
- 提高AI在计算病理学中的可靠性和性能.
主要方法:
- 提出了一个基于meta-adaptive-weighting的双边多维精细空间特征注意网络 (MAW-BMRSFAN).
- 整合了精细的空间特征注意模块 (RSFAM),使用卷积长短期记忆 (ConvLSTM) 来进行特征提取.
- 开发了一个超适应权重网络 (MAWN),通过学习最佳权重参数来处理不平衡的数据集.
主要成果:
- 与以前的方法相比,MAW-BMRSFAN在不平衡的数据集上表现出更高的性能.
- 在四个放大度中实现了超过80%的识别精度,即使失衡因子为16.
- 该模型在极端数据不平衡条件下显示了稳定性和有效性.
结论:
- MAW-BMRSFAN提供了一个有希望的解决方案,用于从不平衡的组织病理图像中准确地分类乳腺癌.
- 开发的方法增强了AI在减少病理学家工作量和提高诊断准确性的潜力.
- 该模型在严重的数据不平衡下表现良好的能力意味着计算病理学的重大进步.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
08:32Using Computer-based Image Analysis to Improve Quantification of Lung Metastasis in the 4T1 Breast Cancer Model
Published on: October 2, 2020
6.3K