基于H&E染色的乳腺癌图像分类,使用因果注意力图神经网络模型
Xiaoya Chang1, Zhongrong Zhang2, Jianguo Sun1
1School of Mathematics and Physics, Lanzhou Jiaotong University, No. 88 Anning West Road, Anning District, Lanzhou City, Gansu Province, China.
Medical & biological engineering & computing
|February 4, 2025
概括
这项研究引入了一种新的因果发现基于注意力的图形神经网络 (CDA-GNN),用于乳腺癌图像分类. 该CDA-GNN模型提高了从病理图像诊断乳腺癌的准确性和解释性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算病理学计算病理学
背景情况:
- 由于高分辨率的病理图像和复杂的特征分布,乳腺癌图像的分类是复杂的.
- 图形神经网络 (GNN) 捕捉了局部结构,但与一般化和快捷方式特征作斗争.
研究的目的:
- 开发一种基于注意力的新型因果发现图形神经网络 (CDA-GNN),用于增强乳腺癌图像分类.
- 通过解开因果和捷径特征来提高模型的可解释性和稳定性.
主要方法:
- 通过超像素分割将高分辨率图像转换为图形数据.
- 使用因果注意机制来识别关键因果特征.
- 利用后门调整策略将因果关系与快捷方式特征分开.
主要成果:
- 在2018年BACH乳腺癌数据集上实现了86.36%的分类准确度.
- 通过F1得分和ROC指标表现出卓越的性能和概括性.
- 验证了模型的可解释性和稳定性.
结论:
- 该CDA-GNN模型提供了强大的自动化癌症图像分析功能.
- 它通过提高诊断效率和准确性来增强临床应用.
- 该模型有助于早期发现乳腺癌,并减少医疗保健专业人员的工作量.
更多相关视频
11:12Optimization of a Multiplex RNA-based Expression Assay Using Breast Cancer Archival Material
Published on: August 1, 2018
7.9K
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.0K
