乳腺癌组织病理学图像分类使用变压器与离散波纹转换变换器
Yuting Yan1, Ruidong Lu1, Jian Sun1
1School of Computer Science and Engineering, Dalian Minzu University, 116650, Dalain, China.
Medical engineering & physics
|April 3, 2025
概括
这项研究介绍了DWNAT-Net,这是一个新的深度学习模型,用于乳腺癌组织病理学图像分类. 通过将离散波形变换器 (DWT) 与邻近注意力变换器 (NAT) 集成,它显著提高了诊断准确性.
科学领域:
- 医疗成像医学成像
- 计算病理学计算病理学
- 在瘤学中使用人工智能
背景情况:
- 从组织病理学图像准确诊断乳腺癌对于治疗至关重要.
- 深度学习模型擅长图像分类,但经常忽视频率域特征,限制性能.
- 现有的方法主要关注空间特征,忽视了有价值的频率信息.
研究的目的:
- 提出一个新的深度学习网络,DWNAT-Net,用于增强乳腺癌组织病理学图像分类.
- 将离散波形变换器 (DWT) 与邻近注意力变换器 (NAT) 集成,以利用频率和空间信息.
- 提高自动化乳腺癌诊断的准确性和效率.
主要方法:
- 开发了DWNAT-Net,将离散波段转换 (DWT) 纳入变压器架构中的多频段分解和邻里注意 (NA).
- 通过代过和降低样本,DWT通过代过和降低样本提取频率特征,同时保留空间细节.
- NA将注意力计算集中在当地社区,以实现高效的依赖模型.
主要成果:
- 在基准数据集上,DWNAT-Net实现了高图像级识别精度.
- 在BreakHis数据集上实现了99.66%的准确性.
- 在BACH数据集上获得了91.25%的准确性,超过了现有的最先进的方法.
结论:
- 拟议的DWNAT-Net有效地整合了频率和空间特征,用于优越的乳腺癌组织病理学图像分类.
- 该模型在诊断准确度方面取得了显著的改进,为早期癌症检测提供了一个有前途的工具.
- 与计算病理学当前最先进的方法相比,DWNAT-Net提供了一种具有竞争力和先进的方法.
