一个高效的结肠直肠癌检测网络使用心脏卷积与协调注意力变压器和本病理图像
Majdi Khalid1, Sugitha Deivasigamani2, Sathiya V3
1Department of Computer Science and Artificial Intelligence, College of Computing, Umm Al-Qura University, 21955, Makkah, Saudi Arabia.
Scientific reports
|August 17, 2024
概括
一个新的深度学习网络,CCDNet,可以从组织病理学图像准确地检测结直肠癌. 这种方法通过保存图像细节和在多个尺度上分析组织来提高诊断的准确性.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 大肠直肠癌是全球领先的恶性瘤.
- 组织病理学图像分析对其诊断至关重要.
- 深度学习方法在从整个幻灯片图像 (WSIs) 中保留集成图像信息方面面临挑战.
研究的目的:
- 提出一个新的深度学习网络,CCDNet,用于准确检测结直肠癌.
- 改善在组织病理学图像中的结直肠癌的分类和定位.
- 为解决WSIs传统深度学习方法中的信息丢失问题.
主要方法:
- 开发了一种新的结直肠癌检测网络 (CCDNet),集成了坐标注意力变换器和心脏卷积.
- 实现了基于维纳的中点加权非局部介质过器 (WMW-NLM) 进行图像无声化.
- 引入了带有坐标注意力变压器 (AConvCAT) 的状卷积,并与交叉形窗口 (CrSWin) 变压器集成了坐标注意力.
主要成果:
- 在结直肠组织学图像上达到98.61%的高准确率,在NCT-CRC-HE-100K数据集上达到98.96%.
- 与现有最先进的方法相比,表现出优越的性能.
- 该网络有效地捕获本地和全球信息,并检测结直肠组织的微妙变化.
结论:
- 拟议的CCDNet为结直肠癌检测提供了一个强大而准确的解决方案.
- 这个网络可以帮助医院的临床医生进行诊断验证.
- 集成先进的深度学习技术增强了对组织病理图像的分析.
