DIEANet:一种基于嵌入维度信息的注意力模型,用于对肺腺癌的基因病理图像分类,该模型基于嵌入维度信息

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 肺腺癌分级对于个性化治疗和患者预后至关重要.
• 病理图像由于高的类内和低的类间变异性而存在挑战.
• 现有的注意力机制可能会过度压缩特征,忽视内维信息依赖.

研究的目的:

• 开发一个先进的注意网络,DIEANet,用于准确的肺腺癌分级.
• 解决当前注意力方法在处理特征压缩和信息依赖方面的局限性.
• 为了提高辅助肺癌诊断的效率和准确性.

主要方法:

• 拟议的维度信息嵌入注意网络 (DIEANet) 用于肺腺癌分级.
• 集成多种聚合方法,以识别组织图像中的关键局部生长模式.
• 利用交互式融合来巩固内维和跨维特征信息.

主要成果:

• 使用ResNet34骨干的DIEANet实现了88.19%的准确性,96.61%的AUC,81.71%的MCC和81.16%的Kappa.
• 与其他七种注意力机制相比,在类似的计算成本下表现出优异的性能.
• 主观评估表明,DIEANet的视觉注意力与病理学专家的注意力一致.

结论:

• 通过优化特征表示,DIEANet有效地提高了肺腺癌分级.
• 拟议的网络提供了一个有前途的AI驱动工具,用于提高诊断准确性和效率.
• DIEANet的表现表明它有可能帮助临床医生加速个性化癌症治疗策略.