DeepLabV3+使用卷积三重注意力和组织病理学引导的投票来对血清卵巢癌的高光谱图像细分进行分析
Wenrui Tang1,2,3, Lijun Wei1,2,3, Zhenfeng Mo1,2,3
1Guangdong Provincial Key Laboratory of Optical Fiber Sensing and Communications, Guangzhou, China.
Journal of biophotonics
|June 30, 2025
概括
这项研究引入了一种新的深度学习模型,用于使用高光谱成像检测卵巢癌. 混合架构准确地区分癌症等级,优于病理学家和现有方法.
科学领域:
- 医疗图像分析 医学图像分析
- 瘤学中的深度学习
- 超光谱成像应用程序
背景情况:
- 像DeepLabV3+这样的深度学习模型在分析RGB图像方面表现出色,但在处理高维的超光谱数据方面却存在困难.
- 在高光谱图像上的低于最佳性能限制了医学图像分析中的概括和区分能力.
研究的目的:
- 开发一种先进的深度学习模型,使用高光谱图像准确区分和定位卵巢癌组织.
- 增强语义细分模型对高维度医疗数据的诊断能力.
主要方法:
- 提出了一个混合架构,集成一个卷积三重注意力模块 (CTAM) 用于光谱空间依赖性分析.
- 纳入了由组织病理学指导的投票机制 (HVM),以与世界卫生组织 (WHO) 的诊断标准保持一致.
- 评估了模型在区分低等级 (LGSC) 和高等级 (HGSC) 血清卵巢癌组织方面的表现.
主要成果:
- 在分化和定位卵巢癌组织方面取得了高精度:LGSC为92.7%,HGSC为90.2%.
- 该模型的性能明显超过了专家病理学家 (85.4%) 的共识.
- 与最先进的模型 (U-Net,PAN,FPN) 相比,在LGSC分类中表现出超过20%的性能改善.
结论:
- 拟议的混合深度学习模型展示了使用高光谱成像进行卵巢癌组织分析的卓越准确性和区分能力.
- CTAM和HVM的整合有效地解决了高维数据的挑战,并纳入了临床诊断标准.
- 这种创新方法为提高卵巢癌诊断在临床环境中的效率和准确性提供了一个有希望的工具.
