一种创新的基于注意力的三重组深度哈希方法来检索组织病理学图像
Seyed Mohammad Alizadeh1, Mohammad Sadegh Helfroush2, M Emre Celebi3
1Department of Electrical Engineering, Shiraz University of Technology, Shiraz, Iran. s.alizadeh@sutech.ac.ir.
Journal of imaging informatics in medicine
|November 11, 2024
概括
组织病理学注意力三重深度哈希 (HATDH) 通过有效检索图像来改善疾病诊断. 这种新的方法使用了注意力机制和三倍损失的深度学习,比现有算法更高的性能.
科学领域:
- 数字病理学数字病理学
- 医疗图像分析 医学图像分析
- 计算机辅助诊断是一种计算机辅助诊断.
背景情况:
- 基于内容的组织病理学图像检索 (CBHIR) 有助于疾病诊断,但可能是复杂的,具有高维特征.
- 哈希技术通过将特征映射到二进制值来减少维度,深度学习方法优于传统方法.
- 基于三元组的深度散列模型通常比对式方法更有效,注意力机制进一步提高了检索准确性.
研究的目的:
- 引入一项创新的三重深度哈希策略,其中包含了用于基因病理图像检索的注意力机制.
- 为了提高基于内容的基因病理学图像检索的效率和准确性.
- 开发一种方法,克服复杂性和时间消耗与高维特征相关的 histopathology图像分析.
主要方法:
- 开发了Histopathology Attention Triplet Deep Hashing (HATDH),这是一个用于基因病理学图像检索的新策略.
- 采用了三种基于深度关注的哈希模型,具有相同的架构和权重,以生成二进制哈希值.
- 引入了改进的三重损失函数,它考虑了三重和对输入,以提高训练和检索效率.
主要成果:
- 拟议的注意模块可以在深度哈希模型中更有效地提取特征.
- 改进的三重损失功能在训练和检索阶段都提高了效率.
- 与 BreakHis 和 Kather 数据集上的最先进的哈希算法相比,HATDH 显示出明显优越的性能.
结论:
- 在基于内容的基因病理学图像检索方面,HATDH提供了显著的进步.
- 注意力机制的整合和改进的三重损失功能导致提取精度和效率的提高.
- 这种方法有望改善数字病理学中的计算机辅助诊断.
