NSB-H²GAN: "负样本" - 增强的层次异质图注意网络,用于对整个幻灯片图像的可解释分类

科学领域:

• 计算病理学计算病理学
• 数字病理学数字病理学
• 医疗图像分析 医学图像分析

背景情况:

• 千兆像素全幻灯片图像 (WSI) 分析面临挑战,原因是幻灯片内部和幻灯片之间的特征多样性.
• 目前监督较弱的方法往往忽略了病理图像中的异质信息,依赖于均的图形.
• 在将传统的图形卷积网络 (GCN) 应用于病理幻灯片时,过度平滑是一个常见的问题.

研究的目的:

• 在千兆像素WSIs中开发一个先进的模型,用于准确的预测和兴趣区域定位.
• 解决现有方法在处理异质信息和过度平滑病理图像分析中的局限性.
• 通过有效地捕捉独特的补丁特征来改善WSIs的表示.

主要方法:

• 引入负样本增强了分层异质图注意网络 (NSB-H2GAN).
• 纳入由确定点过程 (DPP) 启发的负采样策略.
• 利用等级结构和异质特征歧视来捕捉补丁特定特征并减轻过度光滑.

主要成果:

• 在CAMELYON16,TCGA-NSCLC和TCGA-COAD数据集上,NSB-H2GAN在最先进的方法上表现出优越的性能.
• 该模型在定性和定量评估方面取得了显著的改进.
• 生成了详细的,可解释的热图,使微小病变的精确定位成为可能 ($200\mu m\times 200\mu m$).

结论:

• NSB-H2GAN为计算机辅助病理学诊断提供了一个新的范式.
• 该模型显著增强了千兆像素WSIs的分析,特别是用于检测小,经常被忽视的病变.
• 具有在计算病理学中推进临床应用的巨大潜力.