相关实验视频
Updated: Jun 3, 2025
10:25
Deep Learning-Based Segmentation of Cryo-Electron Tomograms
Published on: November 11, 2022
8.5K
HistoNeXt:用于细胞核细分和分类的双机制特征金字塔网络
Junxiao Chen1, Ruixue Wang2, Wei Dong3
1Department of Information, Third Affiliated Hospital of Naval Medical University, No. 225 Changhai Road, Yangpu District, 200438, Shanghai, China.
BMC medical imaging
|January 8, 2025
概括
新的卷积神经网络HistoNeXt可以改善数字病理图像中的核细分和分类. 它的高效设计提供了高精度,低计算成本,有利于临床应用.
科学领域:
- 数字病理学数字病理学
- 计算病理学计算病理学
- 医学中的人工智能
背景情况:
- 数字病理学使组织学图像的自动分析成为可能.
- 准确的核细分和分类对于疾病诊断至关重要.
- 现有的模型在复杂任务的效率和准确性方面面临挑战.
研究的目的:
- 开发一个端到端卷积神经网络 (CNN) 来分析H&E染色组织图像.
- 提高核细分和核分类的性能和效率.
- 将这些任务整合到数字病理学工作流程中.
主要方法:
- 开发了HistoNeXt,一个使用ConvNeXt框架编码解码CNN模型.
- 实现了双机制特征金字塔融合,用于细分和分类.
- 利用密集连接的块和道注意力用于特征提取和改进.
- 应用了广泛的数据增强和类型意识抽样,以解决类不平衡问题.
主要成果:
- 在多个公共数据集 (CONSEP,PanNuke,CPM17,KUMAR) 上,HistoNeXt实现了竞争性表现.
- 在子相似度系数 (DICE),聚合的贾卡德指数 (AJI) 和全视质量 (PQ) 中取得了很高的成绩.
- 获得了高达0.82的整体F1分数和细胞类型特定的F1分数,计算复杂度低 (33.7 GFLOPS).
结论:
- 通过新的CNN架构,HistoNeXt提高了核细分和分类的精度和效率.
- 低计算复杂性允许在资源有限的环境中部署.
- 代表了CNN应用在数字病理学分析中的重大进步.
