相关实验视频
Updated: Jul 9, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
406
SI-ViT:基于混合实例的视觉变压器用于胰腺癌 ROSE图像分类
Tianyi Zhang1, Youdan Feng1, Yu Zhao2
1Beijing Advanced Innovation Center for Biomedical Engineering, School of Biological Science and Medical Engineering, Beihang University, Beijing, 100191, China.
Computer methods and programs in biomedicine
|December 8, 2023
概括
这项研究引入了一种新的AI方法,SI-ViT,以改善胰腺癌诊断中的快速现场评估 (ROSE) 的自动分类. 该方法通过建模实例关系来提高准确性,帮助病理学家,并在诊断中推进AI应用.
科学领域:
- 计算病理学计算病理学
- 医疗诊断中的人工智能
- 图像分析和机器学习
背景情况:
- 快速现场评估 (ROSE) 帮助使用快速染色的细胞病理图像进行胰腺癌诊断.
- 自动化ROSE分类面临着染色变异,设备差异和复杂的癌症模式的挑战.
- 细胞模式的变化使得在细胞病理样本中精确的识别和关系建模变得复杂.
研究的目的:
- 开发一种用于快速现场评估 (ROSE) 胰腺癌的自动分类方法.
- 为解决由图像扰动和样本变异性引起的ROSE分类的挑战.
- 通过人工智能驱动的方法提高病理学家的诊断能力.
主要方法:
- 提出了一个基于实例的方法,即Shuffle Instance Vision Transformer (SI-ViT),增强视觉转换器 (ViT).
- 引入了一种新的混合实例策略,涉及到混合步骤来创建实例袋和软标签.
- 整合了一个非混合步骤,使传统的ViT能够模拟样本标签关系,重点关注内部样本和交叉样本实例关系.
主要成果:
- 与最先进的方法相比,在ROSE分类方面取得了显著的改进.
- SI-ViT显示了可解释的注意区域,用于识别癌细胞和正常细胞.
- 在各种病理图像数据集上验证了概括潜力.
结论:
- 通过混合模拟实例关系建模为病态图像分析提供了一种新的方法.
- 在ROSE分类的显著改进表明了AI在胰腺癌诊断中的现场应用的潜力.
- 开发的方法提高了自动化细胞病理学分析的准确性和解释性.
