卷积神经网络与并行卷积尺度注意模块和ResCBAM用于乳腺组织学图像分类.
Ting Yan1, Guohui Chen1, Huimin Zhang2
1Translational Medicine Research Center, Shanxi Medical University, Taiyuan, China.
Heliyon
|May 21, 2024
概括
一个新的轻量级深度学习模型,PCSAM-ResCBAM,从病理图像改善了早期乳腺癌检测. 这种自动化系统提高了诊断的准确性,帮助临床医生在患者的治疗和预后.
科学领域:
- 医疗成像医学成像
- 计算病理学计算病理学
- 在瘤学中使用人工智能
背景情况:
- 乳腺癌是全球女性死亡的主要原因,需要早期检测以改善患者的治疗结果.
- 准确的病理图像分类对于计算机辅助诊断和乳腺癌的预后至关重要.
- 现有的自动化方法面临规模信息,特征融合和模型复杂性的挑战,影响分类准确性和效率.
研究的目的:
- 开发一个轻量级的,两阶段的卷积神经网络模型,以从病理图像中准确有效地自动检测和分类乳腺癌.
- 解决乳腺癌病理学当前深度学习模型中信息处理和特征融合规模的局限性.
主要方法:
- 提出了一种新的轻量级PCSAM-ResCBAM模型,包括一个并行卷积尺度注意力模块网络 (PCSAM-Net) 和一个剩余卷积块注意力模块网络 (ResCBAM-Net).
- 采用了两阶段的方法:用于补丁级分类的4层PCSAM模块和使用状特征融合和剩余注意力的二级网络用于图像级分类.
- 使用ICIAR2018和BreakHis数据集进行模型评估.
主要成果:
- 在200×和400×放大数据集上,PCSAM-ResCBAM模型实现了98.74%的最大精度.
- 除研究证实了尺度注意力和扩展卷积对模型性能的显著贡献.
- 与现有的最先进的方法相比,拟议的模型表现出优越的性能.
结论:
- 轻量级的PCSAM-ResCBAM模型在自动化乳腺癌病理图像分类方面取得了重大进展.
- 该模型的架构有效地处理尺度变化,并集成功能,从而提高诊断准确性.
- 该系统具有很大的潜力,可以通过早期和准确的检测来协助临床诊断,并改善乳腺癌患者的预后.


