中心焦点的亲和力丧失类不平衡 组织学 图像分类

科学领域:

• 计算病理学计算病理学
• 医学成像中的深度学习.
• 组织病理学图像分析分析.

背景情况:

• 为了癌症诊断,手动分析整片图像 (WSI) 是耗时的.
• 计算病理学的深度学习为高效的瘤微环境分析提供了潜力.
• 现有的深度学习模型由于数据不平衡和传统的损失函数,与细粒度的组织病理学数据集作斗争.

研究的目的:

• 为深度学习模型开发一种新的损失函数,以更好地处理不平衡的组织病理学数据集.
• 为了提高类似纹理的WSIs的代表性嵌入的独特性.
• 通过改进的计算病理学方法,提高早期癌症诊断的准确性.

主要方法:

• 提出了一个新的以中心为中心的亲和力损失 (CFAL) 函数.
• CFAL构建统一的类原型,惩罚困难的样本,最大限度地减少类内变化,并强调少数阶级的特征.
• 在不平衡的乳腺癌和结肠癌数据集上评估了CFAL.

主要成果:

• 与ArcFace,CosFace和焦点损失相比,拟议的CFAL功能表现出更好的区分能力.
• 在这两个数据集中,CFAL在组织学图像分类方面超过了几种最先进的 (SOTA) 方法.
• 损失函数有效地解决了在组织病理学中数据分布不平衡所带来的挑战.

结论:

• 新的CFAL损失函数显著改善了用于组织学图像分类的深度学习模型性能.
• 通过使用计算病理学,CFAL为准确和高效的癌症诊断提供了一个有前途的解决方案.
• 这种方法有可能帮助病理学家在早期发现癌症并提高患者的存活率.