释放国家空间模型的力量 整个幻灯片图像与本地意识扫描和重采样的重要性

科学领域:

• 数字病理学数字病理学
• 计算病理学计算病理学
• 医学成像分析 医学成像分析

背景情况:

• 全幻灯片图像 (WSI) 分析在数字病理学中至关重要,但被千兆像素图像大小所阻碍.
• 现有的方法在计算效率和在WSIs中捕获层次信息方面扎.
• 培训和测试数据集之间的特征分布不匹配影响模型性能.

研究的目的:

• 引入Pathology Mamba (PAM),一种用于准确和强大的WSI分析的新型深度学习框架.
• 为了应对大型WSI规模,局部/层次信息利用和培训测试分配转移的挑战.
• 使用WSI数据提高癌症亚型和生存预测的性能.

主要方法:

• 开发了一种双向Mamba编码器,用于高效地处理大规模的病理图像补丁.
• 引入了本地感知扫描模块,以捕获WSIs中的本地细节和层次结构.
• 实施了测试时间重要性重新采样模块,以调整培训和测试阶段之间的特征分布.

主要成果:

• 与最先进的方法相比,PAM在九个不同的WSI数据集中表现出优越的性能.
• 该模型显示了在识别和建模WSIs内的歧视性区域的增强能力.
• 在癌症亚型和生存预测任务中实现了高准确性.

结论:

• 病理学Mamba (PAM) 为千兆像素全幻灯片图像分析提供了有效和强大的解决方案.
• 拟议的组件成功地解决了WSI处理中的关键挑战,从而提高了预测性能.
• 在临床应用中,PAM代表了计算病理学的重大进步.