从基因病理图像上诊断乳腺癌的增强添加剂角边缘损失

科学领域:

• 医学成像医学成像
• 计算病理学计算病理学
• 机器学习在医疗保健中的应用

背景情况:

• 准确的乳腺癌诊断依赖于耗时和劳动密集的组织病理学分析.
• 目前用于病理学的卷积神经网络 (CNN) 面临软max损失的局限性,导致决策边界模糊性和高类内变异.
• 基于角边际的软max损失可以改善特征歧视,但通常仅限于目标类.

研究的目的:

• 引入增强添加的角边际损失 (BAM),一种新的损失函数,用于提高乳腺癌诊断中的特征歧视.
• 通过惩罚深度特征和目标和非目标类权重之间的角度来解决现有的损失函数的局限性.
• 提高自动化乳腺癌诊断的准确性和效率,使用组织病理图像.

主要方法:

• 开发并实施了CNN的增强增量角边际损失 (BAM) 函数.
• 在BreaKH的数据集上训练和评估BAM在各种放大级 (40X,100X,200X,400X) 上.
• 在乳腺癌和面部识别任务的BACH,LFW和YTF数据集上验证了BAM的概括能力.

主要成果:

• 在BreaKH的数据集上,BAM取得了很高的准确性:99.79% (40X),99.86% (100X),99.96% (200X) 和97.65% (400X).
• 与基线方法相比,经证明的准确性改善为0.13% (40X),0.34% (100X) 和0.21% (200X).
• 在BreaKHis,BACH,LFW和YTF数据集上超越了最先进的方法,表明了更高的可区分性.

结论:

• BAM有效地提高了乳腺癌诊断的特征可区分性,通过增加类间距离和最大限度地减少类内差异.
• 拟议的BAM损失函数为癌症检测的自动化组织病理图像分析提供了显著的进步.
• BAM在不同数据集和任务中展示了强大的概括能力,突出了其广泛应用的潜力.