AMRM:基于注意力的面具重建模块用于乳腺癌组织病理图像的多重分类
Yanguang Cai1, Xiang Chen2, Changle Guo2
1School of Automation, Guangdong University of Technology, Guangzhou, 511400, Guangdong, China; School of Intelligent Manufacturing and Electrical Engineering, Guangzhou Institute of Science and Technology, Guangzhou, 510540, Guangdong, China.
Medical engineering & physics
|April 30, 2025
概括
一个新的基于注意力的面具重建模块 (AMRM) 从基因病理图像显著改善了乳腺癌亚型的分类. 这种人工智能方法提高了诊断准确度,有助于全球妇女及时和有针对性的治疗决策.
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:
- 乳腺癌仍然是全球女性癌症死亡的主要原因.
- 延迟查错过了最佳乳腺癌治疗的机会.
- 当前的计算机辅助诊断 (CAD) 系统在区分良性瘤和恶性瘤以及分类亚型方面具有很高的准确性.
研究的目的:
- 引入一种新的基于注意力的面具重建模块 (AMRM),以提高乳腺癌亚型多重分类的准确性.
- 提高深度学习模型在分类乳腺癌组织病理学图像的性能.
主要方法:
- 提出了一种新的基于注意力的面具重建模块 (AMRM),用于特征提取和面具重建.
- 集成的AMRM与AlexNet,VGG11,ResNet-50以及数据效率高的图像转换器 (DeiT) 模型.
- 在BreakHis数据集上评估模型性能,用于乳腺癌组织病理图像的多重分类.
主要成果:
- 在多个深度学习模型中,AMRM显著提高了多个分类的准确性.
- 获得的准确率为88.48% (AlexNet),93.40% (VGG11),96.49% (ResNet-50) 和94.10% (DeiT) 的数据.
- 与基线模型相比,证明了高达8.28%的准确性增加,突出显示了AMRM的有效性.
结论:
- 拟议的AMRM有效地减少了背景干扰,并改善了与病理学家预期的特征对齐.
- AMRM增强了人工智能模型从基因病理图像准确分类乳腺癌亚型的能力.
- 这一进步具有改善乳腺癌诊断和指导个性化治疗策略的巨大潜力.
