边界意识微观超谱病理图像细分网络由信息重量引导
Xueying Cao1, Hongmin Gao1, Ting Qin2
1College of Computer Science and Software Engineering, Hohai University, Nanjing, China.
Frontiers in oncology
|April 11, 2025
概括
BE-Net通过整合多尺度策略和注意力机制来提高早期瘤诊断的准确性和边界保护,提高了医疗微观高光谱病理图像中的病变细分.
科学领域:
- 医疗图像分析 医学图像分析
- 病理学 病理学 病理学
- 计算机视觉 计算机视觉 计算机视觉
背景情况:
- 在医疗微观高光谱病理图像 (MHSI) 中精确细分病变组织对于早期瘤诊断和患者预后至关重要.
- 复杂的组织结构和模糊的边界对精确的MHSI细分提出了重大挑战.
研究的目的:
- 引入BE-Net,一种用于MHSI中病变组织精确细分的新方法.
- 解决MHSI细分的复杂结构和模糊边界的挑战.
主要方法:
- BE-Net使用多尺度策略和边缘操作员来捕获精细的边缘细节.
- 信息被纳入了注意力机制,以增强相关特征表示.
- 新型组件包括一个拉普拉斯的高斯运算子卷积边界特征提取块,一个分组的多尺度边缘特征提取模块和一个多尺度空间边界特征提取块.
主要成果:
- 在MHSI的胃内皮质瘤和胃粘膜肠道转化症数据集上评估了BE-Net.
- 实验结果显示,BE-Net在细分精度和边界保护方面优于最先进的方法.
结论:
- 在MHSI细分方面,BE-Net提供了显著的进步.
- 拟议的方法提高了准确性和边界保护,有助于早期瘤诊断.
