一个新的扩展上下文注意模块用于乳腺癌细胞线位细胞检测

科学领域:

• 病理学 病理学 病理学
• 计算机科学 计算机科学
• 在瘤学瘤学.

背景情况:

• 线粒细胞计数对于乳腺癌的分期和预后至关重要.
• 鉴定线粒细胞是具有挑战性的,因为它们的形态多样化.

研究的目的:

• 开发一个端到端的深度学习方法,用于精确地识别乳腺癌图像中的线粒细胞.
• 提高基因细胞识别在组织病理学中的表现.

主要方法:

• 引入了扩展级联网络 (DilCasNet),具有检测和分类阶段.
• 开发了扩展的上下文注意模块 (DiCoA),用于捕获远程特征依赖.
• 集成的EfficientNet-B7和VGG16 (InPreMo) 用于重新分类线粒细胞区域.

主要成果:

• 迪尔卡斯网在狗乳腺癌 (CMC) 线位移的数据集上表现优于基准模型.
• 获得F1得分为82.9%,精度为82.6%,回忆率为83.2%.
• 在检测阶段,DiCoA模块将F1得分提高了3.5%以上.

结论:

• DilCasNet在乳腺癌病理学中展示了有效的线粒细胞检测.
• 该方法为其他癌症类型的线粒细胞检测提供了潜在的解决方案.