一个高效的融合-净化网络,用于宫纸的图像分类

科学领域:

• 医学成像分析分析 医学成像分析
• 计算病理学计算病理学
• 人工智能在诊断中的应用

背景情况:

• 深度学习模型在宫细胞图像分析方面表现有前途.
• 由于变异,在分辨宫细胞方面仍然存在挑战.
• 当前的方法往往忽略了全球形态信息.

研究的目的:

• 开发一种新的宫细胞分类模型.
• 通过整合纹理和形态来改善特征歧视.
• 为了介绍宫细胞病理图像数据集 (CCID).

主要方法:

• 提出一个专注于纯化的核聚变信息的模型.
• 整合详细的纹理和形态结构特征 (宫病理信息融合).
• 设计一个宫净化瓶模块,以解决数据冗余和偏差.

主要成果:

• 与最先进的方法相比,拟议的模型实现了卓越的性能.
• 在两个真实数据集上进行的实验验证实了模型的有效性.

结论:

• 开发的方法有助于病理学家准确评估宫涂抹.
• 该模型有效地捕捉了局部信息差异,并代表了歧视性特征.