双重注意力模型与强化学习用于组织学整片图像的分类
Manahil Raza1, Ruqayya Awan1, Raja Muhammad Saad Bashir1
1Tissue Image Analytics Centre, University of Warwick, Coventry, United Kingdom.
概括
本研究引入了一种双重注意力深度学习模型,用于分析整个幻灯片图像 (WSIs). 该方法有效地识别了感兴趣的区域并对其进行分类,提高了计算病理学的诊断准确性和速度.
科学领域:
- 计算病理学计算病理学
- 数字病理学数字病理学
- 医学中的人工智能
背景情况:
- 整个幻灯片图像 (WSIs) 由于其大小,对深度学习提出了计算挑战.
- 缩小样本或瓦式WSIs可能导致信息丢失或缺乏上下文.
研究的目的:
- 为WSI分析开发一个计算效率高的深度学习模型.
- 模仿病理学家的诊断过程以提高准确性.
- 为了解决WSI处理中的内存和信息丢失问题.
主要方法:
- 一种新的双重注意力方法,使用软和硬注意力模型.
- 软注意力在低放大时识别出感兴趣的区域 (ROI).
- 硬注意力使用强化学习用于在内进行多分辨率见分类.
主要成果:
- 取得的性能与最先进的方法相当或优于最先进的方法.
- 在高放大时处理了不到10%的WSIs.
- 减少了75%以上的WSI级标签推断时间.
结论:
- 双重注意力模型为WSI分类提供了一个高效和有效的解决方案.
- 该方法将计算方法与病理学家的诊断策略结合起来.
- 在HER2评分和MMR生物标志物预测癌症组织学中已证明有效性.
