在临界瘤诊断中用于数字病理图像分析的增强边界定向轻量级方法

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 病理图像分析对于诊断危急癌症患者至关重要,但时间限制和图像复杂性挑战及时干预.
• 医疗决策支持系统中的当前深度学习模型面临着计算挑战,阻碍了实时紧急诊断.
• 准确和快速的诊断是必要的,以避免错过癌症患者的最佳治疗窗口.

研究的目的:

• 开发一个有效和准确的诊断策略,用于恶性骨瘤在紧急情况下.
• 解决当前深度学习模型在计算复杂性和病理图像分析实时处理方面的局限性.

主要方法:

• 提出了一种简化边界增强的数字病理图像识别策略 (LB-DPRS) 用于骨肉瘤诊断.
• 优化了变压器的自我注意力机制,并增强了边界细分,以改进组织和核边界识别.
• 实施了行列注意力和互补注意力机制,以减少计算负载并增强特征提取.

主要成果:

• LB-DPRS策略实现了0.862的子相似系数 (DSC) 和0.749的欧盟交叉点 (IOU).
• 该模型以仅1097万个参数的计算效率显示出高计算效率.
• 观察到计算效率和预测准确度的显著改善.

结论:

• LB-DPRS策略提供了一种强大而有效的解决方案,用于紧急诊断恶性骨瘤,如骨髓瘤.
• 这种方法提高了模型的解释性,同时保持了高诊断性能.
• 该策略支持在重症监护机构及时准确的临床决策.