CytoNet:在细胞学研究中有效的基于双重注意力的癌症亚型的自动预测
Naveed Ilyas1, Farhat Naseer2, Anwar Khan3
1Department of Bioengineering, University of California Riverside, Riverside, CA, 92521, USA.
Scientific reports
|October 29, 2024
概括
本研究介绍了CytoNet,一个高效的双重注意力网络,用于在整个幻灯片图像中对癌症亚型进行分类. 赛托网实现了高精度,改进了现有的准确癌症诊断方法.
科学领域:
- 数字病理学数字病理学
- 计算瘤学是一种计算瘤学.
- 医疗保健中的人工智能
背景情况:
- 计算机辅助诊断 (CAD) 在整个幻灯片图像 (WSI) 分析方面存在局限性,阻碍了概括.
- 在WSIs中精确分类癌症是具有挑战性的,因为细胞杂乱,封闭和不规则分布.
- 以前依赖于手工制作的特征的方法往往忽略了这些挑战,降低了分类准确度.
研究的目的:
- 开发一个自动分类系统,使用WSIs来区分癌症类型.
- 在多类WSI分析中解决特征提取和分类准确性的挑战.
- 提出一个高效的基于双重注意力的网络,用于强大的癌症亚型识别.
主要方法:
- 提出 CytoNet,一个高效的基于双重注意力的网络,结合了高效网络和双重注意力模块 (DAM).
- 有效网络利用ImageNet预培训来提取通用特征并提高效率.
- DAM专注于提取目标特征,同时减轻背景噪声,以获得强大的性能.
主要成果:
- 在甲状腺数据集上,CytoNet实现了99%的准确性,超过了现有的方法.
- 在门德利宫数据集上,CytoNet的精度,回忆和F1分数分别为0.992,0.985和0.977.
- 该网络在两个数据集上都展示了增强的性能和概括能力.
结论:
- 拟议的CytoNet有效地解决了癌症亚型分类WSI分析中的挑战.
- 集成Efficient-Net和DAM可实现强大的特征提取和高分类准确性.
- 赛托网提供了一个有前途的进步从组织病理图像自动化癌症诊断.
