基于组织学图像的乳腺癌检测,使用扩散模型输出的融合
Younes Akbari1, Faseela Abdullakutty2, Somaya Al Maadeed2
1Department of Computer Science and Engineering, Qatar University, Doha, Qatar. younes.akbari@qu.edu.qa.
Scientific reports
|July 2, 2025
概括
这项研究引入了一种新型的条件否定扩散概率模型 (DDPM),用于改善在组织病理学图像中的乳腺癌检测. 该方法增强了细分和特征融合,在多个数据集中实现了高精度.
科学领域:
- 计算病理学计算病理学
- 医学成像分析分析 医学成像分析
- 人工智能在瘤学中的应用
背景情况:
- 精确的乳腺癌检测在组织病理学中至关重要,但具有挑战性.
- 组织细分是提高诊断准确性的关键.
- 现有的方法需要提高精确的瘤识别.
研究的目的:
- 开发一种新的计算病理学方法,用于增强乳腺癌检测.
- 利用条件否定扩散概率模型 (DDPM) 来改进图像细分和特征提取.
- 融合细分区域和模型特征,以实现强大的瘤识别.
主要方法:
- 使用条件DDPM进行瘤和组织区域的区域细分.
- 集成分段区域,预测噪声和原始图像作为输入.
- 使用EfficientNet-B0网络进行特征提取.
- 应用了变压器解码器来实现特征融合和最终检测.
主要成果:
- 在BRACS数据集上实现了92.86%的峰值准确性.
- 在BreCaHAD数据集上达到100%的准确性.
- 在ICIAR2018数据集上获得了96.66%的准确性.
- 在四个不同的组织病理学数据集中表现出强大的性能.
结论:
- 拟议的条件DDPM方法在计算病理学中显著推进了乳腺癌检测.
- 该方法为准确的细分和特征融合提供了强大的工具.
- 这种技术在更广泛的医学成像分析中具有潜在的应用.
