转移学习融合对结肠直肠癌的方法 组织病理图像分析
Houda Saif ALGhafri1, Chia S Lim2
1Department of Information Technology, College of Computing and Information Sciences, University of Technology and Applied Sciences, Muscat 133, Oman.
Journal of imaging
|July 25, 2025
概括
基于注意力的新模型准确地对结直肠癌 (CRC) 组织病理学图像进行分类. 这些模型融合了来自多个深度学习网络的预测,提高了诊断准确性和可解释性,以获得更好的患者结果.
科学领域:
- 医疗成像医学成像
- 计算病理学计算病理学
- 人工智能在医学中的应用
背景情况:
- 准确的组织病理图像分类对于诊断结直肠癌 (CRC) 至关重要.
- 现有的方法可以从增强的特征提取和对关键图像区域的集中分析中受益.
研究的目的:
- 开发和评估基于注意力的新型决策融合模型,以改进CRC基因病理图像分类.
- 用空间注意力机制来增强特征提取和模型解释性.
主要方法:
- 通过将预训练的卷积神经网络 (CNN) (Inception V3,Xception,MobileNet) 与空间注意力机制相结合,创建了三种基于注意力的决策融合模型.
- 一个以注意力驱动的融合策略根据相关性和可靠性加权模型预测.
- 模型在来自阿曼的17531张CRC基因病理图像和公共存储库的综合数据集上进行了验证.
主要成果:
- 提出的模型实现了高分类准确度 (98-100%),强大的马修斯相关系数 (MCC) 和卡帕分数,以及低的错误分类率.
- 与个人转移学习方法相比,以注意力为基础的模型显示出更高的性能 (p = 0.009).
- 梯度加权类激活映射在视觉上证实了对诊断相关图像区域的关注,提高了模型的解释性.
结论:
- 开发的基于注意力的决策融合模型显示了对结直肠癌组织病理图像的准确和可靠分类的巨大潜力.
- 这些模型提供了增强的诊断支持和可解释性,对研究和临床应用有价值.
- 这些发现强调了医疗图像分析深度学习中注意力机制和决策层面融合的有效性.
