M3-Net++:一个多规模,多层次,多流网络用于乳腺癌组织病理学中的核细分,使用层次上下文提取和混合损失优化
Arbab Sufyan Wadood1, Mohammad Faizal Ahmad Fauzi2, Wong Lai Kuan3
1Faculty of Artificial Intelligence and Engineering, Multimedia University, 63100, Cyberjaya, Malaysia; Department of Computer Science, Balochistan University of Information Technology, Engineering and Management Sciences (BUITEMS), Quetta, Pakistan.
Computers in biology and medicine
|July 31, 2025
概括
一个新的深度学习模型,M3-Net++,在组织病理学图像中改善了乳腺癌核的细分. 这种先进的细胞核细分有助于准确诊断和了解癌症进展.
科学领域:
- 数字病理学数字病理学
- 计算生物学是一种计算生物学.
- 医疗图像分析 医学图像分析
背景情况:
- 组织病理学对于乳腺癌的诊断和进展评估至关重要.
- 准确的核细分对于分析核形态,大小,形状和分布至关重要.
- 传统的方法与细节,重叠的核和形态变异性作斗争.
研究的目的:
- 开发一种新的深度学习模型,用于精确细分乳腺癌组织病理学图像中的细胞核.
- 解决单级细分方法在捕捉全球和本地特征方面的局限性.
- 提高自动化组织病理学分析的临床实用性.
主要方法:
- 拟议的M3-Net++ (多规模,多层次,多流网络),是一种用于核心细分的深度学习架构.
- 集成的全球和本地组织特征使用多流编码器解码器设计.
- 采用了功能改进和冗余消除 (FRRE) 模块,并跳过连接.
- 引入了混合细分损失 (HSL) 函数来处理重叠的核和类不平衡.
主要成果:
- 在ER-IHC,MoNuSAC和CoNSeP数据集上,M3-Net++实现了最先进的性能.
- 获得了高的子得分 (0.875,0.871,0.872) 和全视质量 (PQ) 得分 (0.730,0.700,0.588).
- 证明了46.18M参数和快速推断时间 (0.119s/patch) 的计算效率.
结论:
- M3-Net++为乳腺癌组织病理学提供了强大的和可适应的核细分.
- 该模型显示了改善诊断准确性的显著临床潜力.
- 先进的深度学习方法可以克服自动化组织病理学图像分析的挑战.
