通过等级图形金字塔变压器利用几何特征用于癌症诊断,使用 histopathological 图像

科学领域:

• 计算病理学计算病理学
• 医疗图像分析 医学图像分析
• 人工智能在瘤学中的应用

背景情况:

• 准确的癌症诊断在很大程度上依赖于对组织病理图像的病理学分析.
• 现有的深度学习方法往往忽略了细胞分布和组织模式的关键几何特征.
• 几何特征是病态图像分类的强有力的指标.

研究的目的:

• 提出一种新的等级图形金字塔转换器 (HGPT) 用于病态图像分类.
• 为了有效地利用组织分布的几何表示,这种特征通常被当前的方法忽视.
• 通过深度学习提高恶性瘤的诊断能力.

主要方法:

• 从病态图像形态特征构建图形表示.形态特征.
• 使用多头图集器来学习几何表示.
• 使用变压器编码器来建模图像和图形数据之间的远程依赖关系.
• 整合一个本地特征增强块来改进2D本地表示.

主要成果:

• 在多个癌症数据集 (Kather-5K,MHIST,NCT-CRC-HE,GasHisSDB) 上,HGPT方法取得了优异的分类结果.
• 在二进制和多类别分类任务中观察到一致的性能改进.
• 该方法在捕捉和利用几何特征以提高准确度方面表现出有效性.

结论:

• 拟议的HGPT在临床实践中为恶性瘤提供了有效的诊断工具.
• 利用几何特征显著提高了病态图像分类性能.
• 这种方法代表了将深度学习应用于计算病理学的进步.