对于宫细胞分类的本地和全球特征的深度整合融合
Ming Fang1, Minghan Fu2, Bo Liao3
1Division of Biomedical Engineering, University of Saskatchewan, 57 Campus Drive, Saskatoon, S7N 5A9, SK, Canada.
Computers in biology and medicine
|February 16, 2024
概括
这项研究引入了一个深度集成特征融合 (DIFF) 块,有效地结合了宫癌细胞分类的本地和全球特征. 该方法通过协同使用卷积神经网络和视觉变压器来提高诊断的准确性.
科学领域:
- 医疗成像医学成像
- 计算病理学计算病理学
- 医疗保健中的人工智能
背景情况:
- 宫癌的诊断严重依赖于精确的宫细胞学图像分类.
- 目前使用卷积神经网络 (CNN) 和视觉变压器的方法通常只是添加本地和全球特征,限制了集成的有效性.
研究的目的:
- 探索本地和全球特征的协同整合,以改善细胞学图像分类.
- 开发和验证一种新的功能融合方法,用于增强宫癌检测.
主要方法:
- 设计了一个深度集成功能融合 (DIFF) 块,以协同利用CNN和变压器分支的功能.
- 在三个宫细胞数据集 (SIPaKMeD,CRIC,Herlev) 和一个血细胞数据集 (BCCD) 上评估了DIFF阻断.
- 进行多类和二进制分类任务以评估性能.
主要成果:
- 拟议的DIFF方法在宫细胞分类任务中表现出显著的有效性.
- 协同功能整合的效果优于局部和全球功能简单的添加.
- 对多个数据集的验证证实了该方法的稳定性和通用性.
结论:
- 深度集成特征融合 (DIFF) 块为细胞学图像分析集成本地和全球特征提供了一种优越的方法.
- 这种方法有可能在诊断和预测宫癌时显著帮助医疗专家.
更多相关视频
12:27Large-scale Reconstructions and Independent, Unbiased Clustering Based on Morphological Metrics to Classify Neurons in Selective Populations
Published on: February 15, 2017
7.0K
07:30Cell-cell Fusion of Genome Edited Cell Lines for Perturbation of Cellular Structure and Function
Published on: December 7, 2019
9.2K
