基于双分支频域融合网络的乳腺癌病理图像的强大的多亚型识别

科学领域:

• 医疗成像医学成像
• 信号处理 信号处理
• 计算病理学计算病理学

背景情况:

• 乳腺癌 (BC) 诊断依赖于准确的组织病理学分类.
• 从复杂的医学图像中提取关键信息并实现高精度仍然具有挑战性.
• 频域分析揭示了纹理丰富的图像中的周期性模式,这对于分类至关重要.

研究的目的:

• 探索频率域分析用于乳腺癌的应用. 遗传病理学分类.
• 开发一个新的深度学习网络,用于增强BC图像分析.

主要方法:

• 提出了双分支自适应频域融合网络 (AFFNet).
• 雇佣多频谱通道注意力 (MSCA) 和富里埃过增强操作员 (FFEO) 进行功能增强.
• 实施了一种频域适应性融合策略,用于动态分支贡献调整.

主要成果:

• AFFNet在BC 遗传病理学分类中表现出卓越的性能.
• 拟议的网络的性能超过了10种最先进的图像分类方法.
• 实验结果验证了频域分析和自适应融合的有效性.

结论:

• 频域分析是BC病理学分类的强大工具.
• AFFNet提供了一种有效和优越的方法来提高诊断准确度.
• 适应性融合策略有效地处理了病理图像中的多尺度特征.