不确定性引导的注意力学习用于在厚厚的血液涂抹中检测疟疾寄生虫

科学领域:

• 医学成像医学成像
• 计算病理学计算病理学
• 机器学习用于诊断.

背景情况:

• 疟疾查依赖于血液涂抹中识别寄生虫,由于图像噪音和文物,这是一项具有挑战性的任务.
• 使用卷积神经网络进行补丁分类的现有方法缺乏对图像不确定性的稳定性.

研究的目的:

• 开发一个先进的疟疾寄生虫检测网络,能够对噪音和文物进行图像处理.
• 通过不确定性引导学习,提高疟疾查的稳定性和准确性.

主要方法:

• 提出了一个以不确定性为指导的注意力学习网络,将像素注意力纳入细粒度特征提取.
• 引入贝叶斯式道注意力来估计道智能的不确定性和指导注意力机制.
• 在两个公共数据集上使用寄生虫级和患者级指标评估网络.

主要成果:

• 与最先进的基线相比,拟议的网络表现优越.
• 在寄生虫级和患者级评估中获得最高的平均精度 (AP) 评分.
• 有效地利用不确定性估计来提高特征可靠性和模型稳定性.

结论:

• 不确定性引导注意网络为疟疾寄生虫检测提供了更稳定,更准确的方法.
• 这种方法有可能显著改善早期疟疾查和诊断.
• 贝叶斯道注意力提供了一个强大的方法来处理医疗成像深度学习模型中的不确定性.