多尺度关系图卷积网络用于多个实例的学习在他的病理学图像
Roozbeh Bazargani1, Ladan Fazli2, Martin Gleave2
1Electrical and Computer Engineering, University of British Columbia, 2332 Main Mall, Vancouver, BC V6T 1Z4, Canada.
Medical image analysis
|May 28, 2024
概括
本研究介绍了多尺度关系图卷积网络 (MS-RGCN) 用于组织病理学图像分析. 新的MS-RGCN方法有效地利用多放大信息来优于预测癌症等级的现有方法.
科学领域:
- 计算病理学计算病理学
- 基于图形的机器学习
- 医疗图像分析 医学图像分析
背景情况:
- 图表卷积神经网络显示出对基因病理学图像的承诺.
- 现有的方法通常使用单个放大或有限的多放大图形结构.
- 需要有效地整合信息跨不同的放大.
研究的目的:
- 为了引入多尺度关系图卷积网络 (MS-RGCN).
- 为提高图形卷积网络性能,利用多放大信息.
- 为了增强信息传递在不同的嵌入空间在他的病理学图像分析.
主要方法:
- 开发了MS-RGCN作为多个实例的学习方法.
- 建模了基因病理学图像补丁及其多尺度关系作为图形.
- 使用单独的传递消息的神经网络,用于不同的节点和边缘类型.
主要成果:
- 在前列腺癌基因病理图像上,MS-RGCN的性能超过了最先进的方法.
- 在各种数据集和图像类型 (TMA,WSI区域,WSIs) 中实现了卓越的性能.
- 废弃性研究证实了MS-RGCN关键设计特征的有效性.
结论:
- MS-RGCN有效地整合了多放大信息,用于组织病理学图像分析.
- 提出的方法在预测癌症等级组方面取得了显著的改进.
- MS-RGCN为先进的计算病理学应用提供了一个强大的框架.
