麦克网:一个移动注意力分类网络,结合卷积神经网络和变压器,用于分化宫癌
Yi An1,2, Yuanyuan Lei3, Zhenxing Huang1
1Research Center for Medical AI, Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen, China.
Quantitative imaging in medicine and surgery
|January 22, 2025
概括
一个新的深度学习模型,MacNet,使用多尺度特征和注意力机制准确地分类宫癌细胞分化. 这一进步提高了病理成像的诊断准确度,帮助临床医生更快,更可靠地诊断.
科学领域:
- 医学成像医学成像
- 计算病理学计算病理学
- 人工智能在瘤学中的应用
背景情况:
- 子宫癌是全球主要的健康问题,每年有超过60万例新发病例和30万例死亡.
- 病理成像对于诊断至关重要,但区分细胞分化阶段是具有挑战性的.
- 传统方法和现有的深度学习 (DL) 方法在准确分类宫癌细胞分化方面存在局限性.
研究的目的:
- 开发一种新的深度学习模型,即移动注意力分类网络 (MacNet),用于准确分类宫癌细胞分化.
- 使用多尺度特征和注意力机制,对宫癌细胞分化阶段进行定量分析.
- 克服目前诊断工具在分辨宫癌细胞阶段方面的局限性.
主要方法:
- 麦克网集成了移动卷积神经网络与移动注意 (MCMA) 模块,用于处理特征图.
- 该网络使用图像金字塔结构和自我注意力机制来进行多规模的特征提取.
- 一个自适应融合模块聚合了最终预测的特征,模拟了临床病理学家的分析.
主要成果:
- 在七个DL模型中,MacNet实现了最高的分类准确率92.34%,超过了Inception V3和Vision Transformer等已建立的网络.
- 与其他评估的DL方法相比,该模型在回忆,精度和F1得分方面表现优异.
- 麦克网的准确性比Inception V3高出2.62%,比VGGNet高出8.08%,突出显示了它的有效性.
结论:
- 一个轻量级的神经网络,MacNet,是通过将注意力机制与CNN相结合而开发的,以实现高效的多层次信息利用.
- 该方法可以从基因病理图像中精确量化显示宫癌分化阶段.
- 麦克网提高了诊断准确度,并为临床医生提供了更有效的工具,以更快,可靠的宫癌诊断.
