高率强调的DeepLabV3Plus用于与乳腺癌相关的血素和色素染色图像的语义细分

科学领域:

• 医学图像分析 医学图像分析
• 计算病理学计算病理学
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 组织病理学图像细分对于疾病诊断至关重要.
• 现有的深度学习模型在细分复杂组织结构方面存在局限性.
• 形可分离卷曲提供了改进特征提取的潜力.

研究的目的:

• 开发一个先进的深度学习模型,用于精确的组织病理图像细分.
• 为了提高语义细分在识别瘤和淋巴细胞区域的性能.
• 根据最先进的方法评估拟议的模型.

主要方法:

• 一个新的深度卷积神经网络模型,集成高速率和空间金字塔聚合的Atrous可分离卷积.
• 使用DeepLabV3Plus架构进行编码解码过程,使用ResNet50作为编码器.
• 整合跳过连接来管理网络深度,并添加三个高速率的Atrous可分离卷曲.

主要成果:

• 拟议的模型在基因病理图像的语义细分方面表现出卓越的性能.
• 与其他八种模型相比,对于瘤和瘤透性淋巴细胞,实现了更高的欧盟 (mIOU) 和频率得分 (FSCR) 的平均交叉点.
• 在关键细分指标上表现优于DeepLabV3Plus,UNet和PSPnet等模型.

结论:

• 这种新的深度学习方法显著提高了组织病理学图像细分的准确性.
• 增强的Atrous可分离卷积和空间金字塔聚合有助于卓越的性能.
• 这个模型对推进计算病理学和诊断应用有前途.