MDFF-Net:一个多维的功能融合网络用于乳腺组织病理学图像分类

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:

• 早期发现乳腺癌对于有效治疗至关重要.
• 基于深度学习的计算机辅助诊断 (CAD) 已经改善了医疗诊断,但面临着复杂或微妙的病理特征的局限性.
• 由于特征提取不足,当前的CAD系统可能会误诊小病变或深层细胞.

研究的目的:

• 提出MDFF-Net,一个基于卷积神经网络 (CNN) 的多维特征融合网络.
• 提高乳腺癌病理图像分析的准确性和减少误诊率.
• 整合1D和2D特征提取以进行全面的图像分析,包括细胞形态和分化.

主要方法:

• 开发了MDFF-Net,这是一个CNN架构,包含1D和2D特征提取网络和特征融合分类网络.
• 2D网络使用多尺度的道混合和道注意模块.
• 一个1D网络,灵感来自于自然语言处理,提取详细的图像信息,如细胞形态.

主要成果:

• 在BreakHis数据集上MDFF-Net实现了98.86%的准确性,在乳腺癌分类BACH数据集上达到86.25%的准确性.
• 该模型在其他癌症数据集上表现出高效率,在结肠和肺癌分类方面达到100%的准确性.
• 实验结果表明,与经典分类模型相比,性能优越.

结论:

• 通过融合多维特征,MDFF-Net有效地解决了当前CAD系统的局限性.
• 拟议的模型显示了在各种病理数据集中准确可靠的癌症诊断的巨大潜力.
• 医疗图像分析和早期疾病检测的MDFF-Net在深度学习方面提供了有希望的进步.