用监督对比学习来进行基因病理图像分类的通用深度学习
Md Mamunur Rahaman1, Ewan K A Millar2, Erik Meijering1
1School of Computer Science and Engineering, University of New South Wales, Sydney, NSW 2052, Australia.
Journal of advanced research
|November 17, 2024
概括
一个新的混合网络HistopathAI显著提高了通过监督对比学习和深度特征融合来对病原体图像分类的准确性. 这一进步提高了癌症诊断,并支持数字病理学整合.
科学领域:
- 计算病理学计算病理学
- 医学中的人工智能.
- 数字病理学数字病理学
背景情况:
- 癌症仍然是全球主要的死亡原因,这强调了需要精确的诊断工具.
- 组织病理图像分析对于癌症诊断至关重要,但面临着人类错误和变异性带来的挑战.
- 介绍HistopathAI作为一种混合网络,以提高临床病理学的诊断精度和效率.
研究的目的:
- 为了证明 HistopathAI 提高基因病理图像分类准确性的能力.
- 验证监督对比学习 (SCL) 和混合深度特征融合 (HDFF) 在提高诊断精度方面的有效性.
- 在不平衡的数据集上显示更好的性能.
主要方法:
- HistopathAI通过HDFF集成了EfficientNetB3和ResNet50功能,以提供全面的图像表示.
- 一种顺序方法从特征学习过渡到分类器学习,灵感来自对比式学习原则.
- 该模型将特征表示的SCL与分类的交叉损失相结合.
主要成果:
- HistopathAI在多个公共和私人组织病理学数据集上实现了最先进的分类准确性.
- 在二进制和多类分类任务中观察到卓越的性能.
- 统计分析证实了与基线模型相比的显著改善.
结论:
- HistopathAI为组织病理学图像分类提供了强大的解决方案,提高了诊断准确度.
- 该框架支持采用数字病理学,并有可能改善患者的治疗结果.
- 开发的代码是公开的,以促进更广泛的临床应用和研究.
