卷积神经网络中的基于对象的反注意力改善了数字病理学的瘤检测

科学领域:

• 计算机视觉 计算机视觉
• 计算神经科学是一种神经科学.
• 医学成像分析 医学成像分析

背景情况:

• 人类的视觉注意力通过分配有限的处理资源来优先考虑行为相关的信息.
• 现有的图像识别系统往往缺乏动态关注信息图像区域的机制.

研究的目的:

• 开发一种以生物视觉为灵感的图像识别系统,将注意力引导到大图像中的突出位置.
• 通过反驱动的注意力机制,提高分类准确性,并通过图像分析提供可解释性.

主要方法:

• 一种新的注意力模型,采用类似的动作来顺序处理信息图像区域.
• 使用反激活来突出突出特征,并使前进和后退传递之间的非线性相互作用.
• 将模型应用于结直肠癌全幻灯片图像 (WSIs) 的组织病理学补丁图像.

主要成果:

• 与标准卷积神经网络 (CNN) 相比,注意力系统表现出更好的分类能力.
• 在59,057个9类组织病理学补丁上,获得了3.5%的准确性改善 (p < 0.001).
• 萨卡德实施达到了93.23%的瘤组织分类协议,超过了病理学家之间的协议.

结论:

• 建议的反驱动的注意力模型提高了图像识别的准确性和可解释性.
• 这种以生物为灵感的方法为分析大规模科学图像,特别是数字病理学提供了重大进展.
• 该方法适用于各种科学领域的应用,需要大规模的图像分析.