RGGC-UNet:准确的深度学习框架,用于在病理图像中标签环细胞语义细分
Tengfei Zhao1, Chong Fu1,2,3, Wei Song1
1School of Computer Science and Engineering, Northeastern University, Shenyang 110819, China.
Bioengineering (Basel, Switzerland)
|January 22, 2024
概括
本研究介绍了RGGC-UNet,这是一种高效的深度学习模型,用于在病理图像中对标记环细胞 (SRC) 进行细分. 该模型实现了高精度,同时降低了计算负载,有助于SRC癌症的诊断.
科学领域:
- 医疗图像分析 医学图像分析
- 计算病理学计算病理学
- 人工智能在诊断中的应用
背景情况:
- 标记环细胞 (SRC) 的语义细分对于诊断SRC癌症至关重要.
- 深度学习在计算机辅助诊断方面表现有前途,但通常涉及计算密集型模型.
- 对于SRCs,有限的地面真相数据阻碍了细分技术的开发.
研究的目的:
- 开发一个高效和准确的深度学习框架,用于SRC语义细分.
- 解决现有方法中的计算开销和数据限制.
- 通过增强的图像分析,提高SRC癌症的诊断准确度.
主要方法:
- 介绍RGGC-UNet,一个基于UNet的框架,带有新型编码器.
- 使用残留的幽灵块与幽灵协调注意力,以提高计算效率.
- 丰富了DigestPath 2019数据集,提供了完全注释的SRC口罩标签.
主要成果:
- 与前沿模型相比,拟议的RGGC-UNet模型显示出更高的细分精度.
- 该模型在计算开销方面实现了显著的减少.
- 实验结果验证了该模型在病理诊断方面的有效性和效率.
结论:
- RGGC-UNet提供了一个高效和准确的解决方案,用于标志环细胞语义细分.
- 该框架有效地降低了计算成本,同时最大限度地提高了细分性能.
- 这一进步有可能提高SRC癌症诊断的准确性和效率.
