AFTG-Net:对拓和梯度特征的基于深度注意力的融合框架,用于病理图像分析
Taymaz Akan1,2, Fatih Gelir1, Richa Aishwarya3
1Department of Medicine, LSU Health Shreveport, Shreveport, LA, USA.
Research square
|July 17, 2025
概括
一个新的机器学习模型,AFTG-Net,通过组织病理图像准确地分类骨肌肉疾病,如肌缩侧面硬化症 (ALS) 和糖尿病. 这种自动化方法减少了诊断变化和分析时间.
科学领域:
- 生物医学图像分析
- 计算病理学计算病理学
- 机器学习在医疗保健中的应用
背景情况:
- 骨肌病理涉及瘤干扰,中心细胞核和肌纤维尺寸改变,对于诊断诸如肌缩侧面硬化症 (ALS) 和糖尿病等疾病至关重要.
- 目前的基因病理图像分析方法是劳动密集型,容易变化,耗时,影响诊断的准确性和一致性.
- 像ImageJ这样的传统工具在细胞计数,细分和值方面存在挑战,导致结果不一致.
研究的目的:
- 开发和验证一个自动化的机器学习框架,AFTG-Net,用于准确地分类骨肌肉组织病理图像.
- 为了提高骨肌病理学分析的诊断一致性和效率.
- 为了区分健康的肌肉组织和受到肌缩侧面硬化症 (ALS) 和I型糖尿病影响的肌肉组织.
主要方法:
- 基于注意力的机器学习框架AFTG-Net是使用互补的几何和拓描述符开发的.
- 该模型整合了来自拓数据分析 (TDA) 的全球结构信息,通过持久的同质性与来自导向梯度 (HOG) 基底图的局部边缘和纹理模式.
- 使用共弦相似度的交叉加权融合方法可自适应地平衡特征贡献,以增强歧视力.
主要成果:
- 在区分健康的肌肉纤维与受到ALS和I型糖尿病影响的肌肉纤维方面,AFTG-Net实现了92%的分类准确度.
- 综合性比较表明,AFTG-Net的表现优于最先进和基准方法,包括传统的基于特征和深度学习模型.
- 该研究使用了来自野生类型和疾病模型的WGA染色骨肌图像 (ALS的G93A*SOD1,1型糖尿病的阿基塔).
结论:
- AFTG-Net为骨肌病理分析提供了一个可扩展和一致的工具,显著减少了人类干预和主观性.
- 该框架有效地区分了与ALS和I型糖尿病相关的病理变化,提高了诊断准确度.
- 这种自动化方法有望推动生物医学研究和肌肉疾病诊断的临床实践.
