基于两阶段混合网络的乳腺癌病理图像的多重分类

科学领域:

• 医疗成像医学成像
• 计算病理学计算病理学
• 在瘤学中使用人工智能

背景情况:

• 病理图像诊断是癌症检测的黄金标准.
• 乳腺病变的准确亚型分类在初始诊断后至关重要.
• 对于乳腺癌亚型的有限数据对深度学习模型构成了挑战.

研究的目的:

• 开发和评估乳腺癌病理图像的多分类模型.
• 为应对乳腺癌亚型数据集中有限的样本大小所带来的挑战.
• 提高乳腺癌病理图像分类的准确性和性能.

主要方法:

• 设计了一个双阶段混合深度学习网络,将修改后的ResNet34与长短期内存 (LSTM) 结合起来.
• 与ResNet34一起使用转移学习来增强对有限数据的培训.
• 用LSTM层来捕获病理图像中的远距离依赖关系和上下文信息.

主要成果:

• 集合模型在BreakHis数据集上的不同放大值中实现了高准确率 (例如,在200×时为8个子类型的98.01%).
• 在ICIAR2018数据集中,该模型表现出强的性能,准确度为93.75%,精度为92.5%,回忆和F1评分为4个亚型.
• 拟议的RFSAM模块被证明是有利于提高模型性能.

结论:

• 开发的多分类模型与现有的乳腺癌病理图像分类方法相比,表现优越.
• 混合网络架构有效地利用卷积神经网络和循环神经网络来提高诊断准确性.
• 这些发现支持先进的深度学习技术在增强病态癌症诊断方面的实用性.