LA-ViT:在一个新的喉组织病理学图像数据集中,对可解释分级的被学习的无参数注意力所约束的变压器网络

科学领域:

• 医疗成像医学成像
• 计算病理学计算病理学
• 在瘤学中使用人工智能

背景情况:

• 组织病理图像分析对于分类喉状细胞癌 (LSCC) 是至关重要的.
• 传统的变压器模型与背景语义信息作斗争,阻碍了LSCC的分级准确性和可解释性.
• 通过参数注意力机制过度学习低效应的背景细节限制了模型的性能.

研究的目的:

• 开发一个端到端的网络,LA-ViT,可以增强高效果目标语义的学习,同时最大限度地减少LSCC分级的背景噪声.
• 引入和验证一个学习无参数的注意力 (LA) 机制,以改善特征表示.
• 为解决LSCC分级研究临床上有意义数据集的稀缺问题.

主要方法:

• 拟议的LA-ViT,一个端到端的网络,结合了学习无参数注意力 (LA) 变压器块.
• 开发了两种类型的LA变压器块:一种使用特征地图位置和通道子空间,另一种使用模型概率和决策级权重.
• 构建了一个新的,复杂的语义LSCC病理图像数据集用于培训和评估.

主要成果:

• 与最新的方法相比,LA-ViT在一个新的LSCC数据集上在多个指标上表现出卓越的表现.
• 来自LA-ViT的可视化地图更好地与病理学家感兴趣的决策区域保持一致.
• 在公共的LSCC病理图像数据集上,LA-ViT表现出卓越的概括能力.

结论:

• LA-ViT有效地减少了背景语义信息,从而提高了LSCC分级的准确性和可解释性.
• 学习的无参数注意力在学习高效果目标语义方面比参数注意力有优势.
• 开发的LA-ViT模型显示了在LSCC分级中临床应用的巨大潜力,需要进一步研究.