一个双数据流混合神经网络用于分类肺腺癌的病理图像
Liyuan Li1, Zhi Mei1, Yuguang Li1
1Key Laboratory of Geophysical Exploration Equipment, Ministry of Education, College of Instrumentation and Electrical Engineering, Jilin University, Changchun, China.
Computers in biology and medicine
|April 30, 2024
概括
一个新的深度学习框架,多尺度网络 (MSNet),在病理图像中准确检测肺腺癌. 这种人工智能系统通过有效分析图像特征来改进传统方法,达到96.55%的诊断准确度.
科学领域:
- 在瘤学瘤学.
- 计算机科学 计算机科学
- 医疗成像医学成像
背景情况:
- 肺癌,特别是肺腺癌,对全球健康构成重大威胁.
- 手动的病理图像查是劳动密集型的,容易出现错误.
- 现有的计算机辅助诊断系统难以充分利用补丁功能,并且经常表现出高度复杂性.
研究的目的:
- 提出一个新的深度学习框架,多尺度网络 (MSNet),用于自动化肺腺癌病理图像检测.
- 为了提高肺癌病理学的诊断效率和准确性.
- 为了减少计算机辅助诊断中的计算需求和模型复杂性.
主要方法:
- 开发了MSNet,这是一个使用双数据流输入的深度学习框架.
- 集成的Swin变压器提供全球补丁信息,MLP-Mixer提供本地补丁信息.
- 采用多层感知器 (MLP) 模块来融合本地和全球特征进行分类.
主要成果:
- 对于肺腺癌病理图像,MSNet的诊断准确率达到了96.55%.
- 该框架有效地利用数据补丁中的有价值功能.
- 证明了模型复杂度,计算需求和存储需求的降低.
结论:
- 在识别肺腺癌方面,MSNet表现出高的分类性能.
- 拟议的框架显示了肺癌诊断中自动化病理图像分析的显著有效性和潜力.
- MSNet为提高肺癌诊断的准确性和效率提供了一个有前途的解决方案.
