在医疗决策系统中基于持续精制的数字病理图像辅助方案

科学领域:

• 数字病理学数字病理学
• 计算病理学计算病理学
• 医疗图像分析 医疗图像分析

背景情况:

• 数字病理图像提供丰富的细胞数据用于瘤诊断,辅助计算机辅助诊断.
• 目前的级联式模型在处理超高分辨率图像时遇到困难,导致计算成本和信息丢失.
• 现有的方法需要降低采样和裁剪,损害细胞细节和全球背景.

研究的目的:

• 为数字病理学开发一个改进的计算机辅助诊断系统.
• 解决基于级联模型在处理高分辨率病理图像方面的局限性.
• 通过使用数字病理学图像来提高瘤诊断的准确性和效率.

主要方法:

• 提出了一个基于持续改进的数字病理图像辅助计划 (CRSDPI).
• 使用最大类间差异方法来定位感兴趣的区域.
• 开发了一个双相连续精炼细分网络 (TCRNet),结合了粗细分网络和增强的连续精炼模型.
• 纳入了一个辅助损失项,以实现更快的融合,以及一个隐含的功能,以减少计算成本和重建细节.

主要成果:

• 在TCRNet模型中,通过在没有级联解码操作的情况下对齐特征来改进目标.
• 与现有方法相比,证明了更高的预测准确性.
• 在图像分析的计算速度方面取得了显著的改进.
• 成功应用于乳腺癌和骨髓瘤的数字病理学图像.

结论:

• 拟议的TCRNet模型为数字病理图像分析提供了更有效,更准确的方法.
• 通过提供可靠的瘤诊断支持,CRSDPI增强了医疗决策系统.
• 该方法有效地克服了在高分辨率图像处理中传统的级联模型的局限性.