通过应用在基因病理图像上的混合深度学习方法来预测前列腺癌

科学领域:

• 医疗图像分析 医学图像分析
• 计算病理学计算病理学
• 人工智能在瘤学中的应用

背景情况:

• 前列腺癌 (PCa) 诊断依赖于使用组织病理图像的格里森分级系统.
• 手动格里森分级是耗时的,需要专门的专业知识.
• 现有的格里森评分深度学习方法面临准确性和计算成本的挑战.

研究的目的:

• 开发一个高效和准确的深度学习网络,用于前列腺癌的自动格里森分级.
• 在准确性和计算复杂性方面克服现有的深度学习模型的局限性.

主要方法:

• 提出了一个新的深度学习网络,集成MobileNet,注意力机制 (AM) 和囊网络.
• 移动网络被用于高效的功能提取.
• 该AM专注于相关特征,而囊网络则进行分类.
• 该网络在PANDA和Gleason-2019数据集上得到了验证.

主要成果:

• 拟议的网络在格里森分级方面表现出高效.
• 废弃研究证实了建筑中的每个组件的贡献.
• 该网络在PANDA数据集上达到98.08%的准确性,在Gleason-2019数据集上达到97.07%.

结论:

• 开发的深度学习网络显著优于前列腺癌的现有方法.
• 移动网络,AM和囊网络的集成为瘤学中准确和高效的自动化组织病理学分析提供了有前途的解决方案.