RGSB-UNet:用于数字病理学图像中的瘤细分的混合深度学习框架

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 结肠直肠癌 (CRC) 由于发病率和死亡率高,给全球健康带来了重大挑战.
• 通过查进行早期检测对于改善患者的治疗结果至关重要.
• 为了诊断CRC,手动分析整个幻灯片图像 (WSI) 是耗时且劳动密集的.

研究的目的:

• 在WSIs中开发一个自动化的深度学习框架,用于精确的瘤细分.
• 克服现有的深度学习模型在捕捉病态图像分析的全球特征方面的局限性.
• 提高结直肠癌查的效率和准确性.

主要方法:

• 引入混合深度学习框架RGSB-UNet,使用UNet架构.
• 整合了可切换正常化 (RGS) 和瓶变压器 (BoT) 的剩余幽灵块,用于精细的特征提取.
• 为有效的网络培训实施类智能子损失 (CDL).

主要成果:

• RGSB-UNet框架在提取不同批量大小的精细功能和稳定性方面表现出卓越的性能.
• 该模型实现了最先进的细分性能,特别是在小批量条件下.
• 在DigestPath2019和Glass数据集上的实验验证证证了优异的评估分数和细分精度.

结论:

• 拟议的RGSB-UNet模型为结直肠癌检测的自动瘤细分提供了显著的进步.
• 这种混合深度学习方法有效地结合了空间-局部相关性和远距离特征依赖性,以增强病理图像分析.
• RGSB-UNet框架有望提高结直肠癌查和诊断的准确性和效率.