用数十亿像素的细胞病理图像放大网络

科学领域:

• 数字病理学数字病理学
• 计算病理学计算病理学
• 机器学习在医疗保健中的应用

背景情况:

• 数字病理学提供先进的应用程序,如用于诊断和预后的机器学习.
• 千兆像素全幻灯片图像由于其巨大的尺寸而带来了重大的计算挑战.

研究的目的:

• 引入放大网络 (MagNets) 来有效分析千兆像素整片图像.
• 为数字病理学开发一种以注意力为导向的,从粗到细的分析方法.
• 为了使整个幻灯片的图像分类使用最小的幻灯片级注释.

主要方法:

• 磁网使用注意力机制来识别关键区域以进行更细微的分析.
• 该方法采用了一种代的,粗细的方法,专注于重要的图像部分.
• 该框架在Camelyon16和Camelyon17数据集上进行了测试,仅使用全局的幻灯片级标签.

主要成果:

• 磁网在整个幻灯片图像分类任务中表现出有效性.
• 拟议的优化框架提高了MagNets的性能.
• 与现有的端到端方法相比,MagNets处理的补丁至少是现有补丁的五倍.

结论:

• 磁网为分析大型数字病理图像提供了一种高效的解决方案.
• 以注意力驱动的方法可以降低计算负载,同时保持分类准确性.
• 这种方法有助于在数字病理学中使用机器学习,并且对注释的要求最小.