乳腺癌分类从数字病理学图像通过连接意识图形变压器

科学领域:

• 数字病理学数字病理学
• 计算生物学 计算生物学
• 机器学习 机器学习

背景情况:

• 从数字病理学图像进行自动化乳腺癌亚型分类是具有挑战性的,因为复杂的细胞空间模式.
• 现有的图形变压器捕获远程依赖关系,但往往忽略了关键的拓连接信息.

研究的目的:

• 为改善乳腺癌分类提出一种新的连接感知图形变压器 (CGT).
• 通过将拓连接整合到图形变压器模型中来增强特征表示.

主要方法:

• 从数字病理学图像构建了一个组织图.
• 开发了CGT集成连接,通过每个层的本地聚合嵌入连接.
• 编码空间距离作为自我注意力机制中的连接偏差.

主要成果:

• 在区分乳腺癌亚型方面,CGT表现优异.
• 该方法在大量的黑马托克西林和欧染色图像中超过了现有的最先进的方法.
• 结合连接嵌入和基于距离的偏差的有效性得到了验证.

结论:

• 拟议的CGT有效地利用拓连接来增强乳腺癌表型.
• 对于准确的亚型分类,CGT提供了更全面的图形表示.
• 这种方法推进了数字病理学中用于癌症诊断的自动化分析.