在整个幻灯片图像中使用MS-ResMTUNet进行侵入性癌症细分

科学领域:

• 数字病理学数字病理学
• 计算瘤学是一种计算瘤学.
• 医疗图像分析 医学图像分析

背景情况:

• 在乳腺病理学中准确识别侵袭性癌症区域对于诊断和治疗至关重要.
• 在全幻灯片图像中区分侵袭性导管癌与 in situ 导管癌仍然是自动化分析的一个重大挑战.
• 现有的方法难以有效地对侵入性癌症区域进行细分,这阻碍了进一步的病理分析.

研究的目的:

• 开发一种新的深度学习架构,用于精确识别和细分乳腺癌数字病理图像中的侵入性癌症.
• 解决现有方法在区分侵袭性癌症与 in situ 管道癌症方面的局限性.
• 为整个幻灯片图像 (WSI) 的自动化分析提供一个强大的工具.

主要方法:

• 提出了一个新的架构,ResMTUnet,集成视觉变压器和卷积神经网络 (CNN) 组件.
• 在ResMTUnet中使用多任务学习来增强侵入性癌症的识别和细分.
• 引入了一个多尺度输入模型 (MS-ResMTUNet),包含ResMTUnet和条件随机字段用于WSI细分.

主要成果:

• 拟议的MS-ResMTUNet模型与现有的竞争性方法相比,表现优越.
• 该网络有效地以整个幻灯片图像对侵入性癌症区域进行了细分.
• 系统的实验验证了开发方法的有效性和准确性.

结论:

• 开发的MS-ResMTUNet在侵袭性乳腺癌的自动细分方面取得了重大进展.
• 这种方法为随后对乳腺病理幻灯片的自动化分析提供了可靠的基础.
• 这些发现有助于提高数字病理学诊断的准确性和效率.