一个可解释的多尺度卷积注意力残留神经网络,用于用拉曼光谱对质瘤进行分类
Qingbo Li1, Xupeng Shao1, Yan Zhou2
1School of Instrumentation and Optoelectronic Engineering, Precision Opto-Mechatronics Technology Key Laboratory of Education Ministry, Beihang University, Beijing 100191, China. qbleebuaa@buaa.edu.cn.
Analytical methods : advancing methods and applications
|December 17, 2024
概括
一个新的深度学习模型,多级卷积注意力剩余网络 (M-SCA ResNet),使用拉曼光谱学准确地分类质瘤等级. 这一进步有助于个性化手术规划,并通过区分高度质瘤,低度质瘤和正常组织来改善患者的预后.
科学领域:
- 生物医学光学 生物医学光学
- 机器学习 机器学习
- 在瘤学瘤学.
背景情况:
- 质瘤分级对于个性化手术规划和预后至关重要.
- 拉曼光谱可提供实时质瘤诊断,但在高度质瘤 (HGG),低度质瘤 (LGG) 和正常组织之间区分类似的光谱特征方面面临挑战.
- 传统的机器学习方法由于光谱相似性而难以准确,而深度学习则需要对各种光谱特征进行仔细的网络设计.
研究的目的:
- 提出一种新的深度学习模型,即多尺度卷积注意力剩余网络 (M-SCA ResNet),用于准确的质瘤分级.
- 通过结合多尺度的注意力和残余结构来增强拉曼光谱数据的特征提取能力.
- 与传统方法相比,提高HGG,LGG和正常组织的分类准确度.
主要方法:
- 开发和应用M-SCA ResNet,具有多尺度通道和空间注意力机制与残余结构.
- 使用拟议的M-SCA ResNet,对HGG,LGG和健康组织进行分类.
- 将M-SCA ResNet性能与传统机器学习和其他神经网络模型进行比较.
- 使用梯度加权类激活映射 (Grad-CAM) 来可视化和解释关键拉曼转移.
主要成果:
- 对于所有三种组织类型 (HGG,LGG,正常) ,M-SCA ResNet的识别准确度超过了85%.
- 该模型在所有测试方法中显示了最高的加权F1分数.
- 格拉德-CAM分析确定了与生物分子特征相关的关键拉曼转移,验证了模型的特征提取能力和生物相关性.
结论:
- M-SCA ResNet有效地使用拉曼光谱学对质瘤等级进行分类,性能优于传统方法.
- 该模型提取相关光谱特征的能力与组织生物分子特征有很强的相关性.
- 这项研究验证了M-SCA ResNet在体内和体位内质瘤分级的可行性,支持改进手术和治疗规划.
