HVUNet:基于混合视觉变压器的UNet,用于精确检测和定位在组织病理图像中的图像
Anusree Kanadath1, Angel Arul Jothi J1, Siddhaling Urolagin1
1Department of Computer Science, Birla Institute of Technology and Science Pilani, Dubai Campus, Dubai International Academic City, 345055, Dubai, United Arab Emirates.
Computers in biology and medicine
|July 16, 2025
概括
一种基于混合视觉变压器的新型UNet (HVUNet) 模型增强了对基因病理图像的感兴趣物体 (OoI) 检测,优于癌症诊断的现有方法. 这种先进的模型可以准确地识别细胞结构,提高诊断准确度.
科学领域:
- 数字病理学数字病理学
- 计算生物学 计算生物学
- 医学图像分析 医学图像分析
背景情况:
- 在组织病理学图像中准确识别感兴趣的物体 (OoI) 对于癌症诊断和预后至关重要.
- 数字病理学的挑战包括区分相似的细胞结构和检测小,容易出错的物体.
- 现有的方法难以应对细胞形态学的复杂性和变异性.
研究的目的:
- 引入一种基于混合视觉变压器的新型UNet (HVUNet) 模型,用于有效识别和定位OOI在组织病理学图像中.
- 提高在数字病理学中检测特定细胞结构的准确性和效率.
- 评估HVUNet的性能与基准数据集上的最先进模型相比.
主要方法:
- 开发了一种混合的UNet架构,集成视觉转换器 (ViTs) 进行增强的特征提取.
- 在GZMH (菌体检测) 和淋巴细胞检测 (LD) 数据集上训练和评估了HVUNet模型.
- 将HVUNet的性能与CNN变体,基于ViT的模型,UNet,UNETR和AttentionUNet进行了比较.
主要成果:
- 在GZMH数据集上,HVUNet显著优于现有模型,精度为0.94,回忆率为0.60,F1得分为0.72.
- 对于线粒细胞检测,HVUNet表现出高效率,在欧盟 (IoU) 上的交叉点为0.76和平均平均精度 (mAP) 为0.81.
- 在LD数据集上,HVUNet在淋巴细胞检测方面获得了F1评分0.76,IoU0.63和mAP0.75,在任务中表现出强的性能.
结论:
- 拟议的HVUNet模型提供了一种优越的方法,用于在组织病理学图像中检测感兴趣的对象.
- 在MIDOG 2021和PanopTILs等各种数据集上,HVUNet表现出强大的通用性和稳定性.
- 这种混合架构代表了数字病理学和癌症诊断的自动化分析的重大进展.
