双分支混合编码嵌入式网络用于基因病理学图像分类.

科学领域:

• 数字病理学数字病理学
• 医疗图像分析 医学图像分析
• 计算瘤学是一种计算瘤学.

背景情况:

• 组织病理学图像 (HI) 分类有助于癌症诊断,但现有的方法在癌症类型之间的域间差异方面扎.
• 目前的方法通常仅限于单一的癌症类型,限制了它们的广泛临床适用性.

研究的目的:

• 开发一种高性能基因病理图像分类方法,克服域间差异.
• 为多种癌症类型提供可靠的HI分类提供强大而通用的解决方案.

主要方法:

• 一个新的双分支混合编码嵌入式网络,集成卷积神经网络 (CNN) 和变压器用于特征提取.
• 开发一个突出区域约束损失函数,以解决HI的域间差异.
• 使用新的肝细胞癌 (HCC) 数据集和两个公共数据集进行验证.

主要成果:

• 在拟议的HCC数据集上实现了99.09%的准确性.
• 在两个额外的公共基因病理图像数据集上展示了最先进的性能.
• 该方法在多种癌症分类中显示出卓越的性能和多功能性.

结论:

• 提出的方法提供了一种可靠和实用的解决方案,用于对不同癌症类型的组织病理图像进行分类.
• 这一进步有可能提高诊断准确度,改善瘤学患者的治疗结果.
• 代码是公开可用的,用于进一步的研究和应用.