一个相互重建网络模型用于组织学图像的少数镜头分类:解决类间相似性和类内多样性的问题
Xiangbo Li1, Yinghui Zhang2, Fengxiang Ge3
1Huitong College, Beijing Normal University, Zhuhai, China.
Quantitative imaging in medicine and surgery
|August 15, 2024
概括
这项研究引入了一种新的相互重建网络,用于少数镜头组织学图像分类,通过解决癌症诊断中的数据稀缺性和类变异,显著提高了准确性.
科学领域:
- 组织病理学 组织病理学
- 机器学习 机器学习
- 计算生物学 计算生物学
背景情况:
- 组织学图像的自动分类对于癌症诊断至关重要.
- 有限的注释数据集,特别是对于罕见的癌症,挑战深度学习模型.
- 短暂的学习方法对于克服组织学图像分类中的数据稀缺性至关重要.
研究的目的:
- 开发一种新的相互重建网络,用于少数拍摄的组织学图像分类.
- 在组织学图像中解决阶级内部多样性和阶级间相似性的挑战.
- 在癌症诊断的数据稀缺场景中提高深度学习模型的性能.
主要方法:
- 提出了一个相互重建网络,包括一个功能增强模块 (FEM) 和一个相互重建模块.
- 在FEM中利用自我注意机制进行详细的特征学习.
- 员工在支持和查询特征之间进行相互重建,以加强阶级歧视并减少阶级内部的差异.
主要成果:
- 在5路10射设置中达到92.09%的准确性,比MAML提高了23.59%.
- 在具有挑战性的五向一拍设置中,比ProtoNet有18.52%的改进.
- 废弃性研究证实了单个模块的有效性和整体方法处理细粒度差异的能力.
结论:
- 相互重建网络显著推进了组织学图像的少数镜头分类.
- 该模型有效地克服了类相似性和类内变异带来的挑战.
- 这种方法代表了用于癌症诊断的自动组织学图像分析的重大进展.
