用掉落的多分支 Swin 变压器识别宫病变的细粒度病态形态识别
Yuhui Cheng1, Hao Wu1, Feng Wu2
1Department of Digital Medicine, School of Biomedical Engineering and Medical Imaging, Third Military Medical University (Army Medical University), Chongqing, China.
Quantitative imaging in medicine and surgery
|April 16, 2025
概括
一个新的AI模型,YoGaNet,在ThinPrep细胞学测试图像中准确检测子宫病变,改善早期子宫癌查. YoGaNet增强了病变细胞的细粒度识别,有助于诊断.
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:
- 宫癌查依赖于ThinPrep细胞学测试 (TCT) 中精确检测病变细胞.
- 在TCT图像中智能检测和分类病变细胞存在重大挑战.
- 准确的早期检测对于提高宫癌查准确度至关重要.
研究的目的:
- 设计一种快速而准确的方法,以在TCT图像中检测宫病变的细粒度.
- 开发一种能够分析大规模TCT数据集的AI模型,以提高诊断准确度.
主要方法:
- 开发了YoGaNet,这是一种基于YOLOv5l的架构,其中包含了多分支Swin变压器 (DMBST) 模块.
- YoGaNet提取多层次的全球和本地特征,增强细粒度识别小物体.
- 根据比较检测器数据集 (7,410 张图像) 和临床数据集 (1,514 张图像) 进行评估.
主要成果:
- YoGaNet实现了高平均精度 (mAP50):在比较检测器数据集上达到68.6%,在临床数据集上达到36.8%.
- 与基线YOLOv5l模型相比,YoGaNet在mAP50 (22.8%) 和回忆 (3.2%) 中显著改善.
- YoGaNet在检测各种病变类型方面表现出色,包括ASC-US,ASCH,LSIL,HSIL,SCC,Candida和植物细胞.
结论:
- 与现有模型相比,YoGaNet在TCT图像中显著改善了宫细胞的细粒度识别.
- 该模型显示有助于早期诊断宫癌的潜力.
- 对于YoGaNet的推理代码是公开可用的,用于进一步的研究和应用.
