双轨协作:共同处理异质正负图的卷积网络,用于整片图像分析
Meiyan Liang1, Xikai Wang1, Bo Li2
1Shanxi Key Laboratory of Wireless Communication and Detection, School of Physics and Electronic Engineering, Shanxi University, Taiyuan 030006, China.
Computer methods and programs in biomedicine
|July 24, 2025
概括
本研究介绍了一种双协作异构图卷积网络 (DCH-GCN),用于全幻灯片基因病理图像分析. DCH-GCN框架有效地利用阳性和阴性样本来提高WSI分析中的诊断准确性.
科学领域:
- 计算病理学计算病理学
- 数字组织病理学 数字组织病理学
- 机器学习在医学中的应用
背景情况:
- 基于图形的方法是全幻灯片图像 (WSI) 分析的常见方法,捕捉空间关系.
- 现有的方法往往忽略了负样,限制了全面的诊断信息提取.
- 需要利用积极和消极样本信息的方法来改进WSI分析.
研究的目的:
- 为WSI分析提出一个新的双协作异质图形卷积网络 (DCH-GCN) 框架.
- 通过在图形构造中考虑正和负样本来增强WSI分析.
- 改进诊断信息在组织病理学图像中的全面利用.
主要方法:
- 开发了一个DCH-GCN框架,有两个互补的子图:一个正边异质子图 (PEH子图) 和一个负边异质子图 (NEH子图).
- PEH子图学习空间相邻的补丁的类似表示.
- NEH子图使用负样本来增强形态上不同的补丁的特征差异,包括基于k-DPP的负样本选择和两阶段实例集群.
主要成果:
- 在三个公共数据集上实现了高性能:用于癌症识别的CAMELYON16 (ACC:0.937,AUC:0.943,F1:0.952).
- 在TCGA-NSCLC (ACC:0.923,AUC:0.965,F1:0.926) 上表现出强有力的结果,用于亚型分类.
- 在TCGA-COAD (ACC:0.453,AUC:0.648,F1:0.445) 上显示出有前途的性能,用于癌症分期.
结论:
- 通过选择适当的负和正样本,DCH-GCN框架有效地在WSI图像中表示拓信息.
- 拟议的方法显著改善了在组织病理学图像分析中的整体预测性能.
- 这种方法通过整合来自WSI的各种诊断线索,提供了更全面的分析.
