DMCA-Net:用于检测宫异常细胞的双分支多颗粒度层次对比和交叉注意网络
Zhiping Wang1, Peng Yao2, Shuwei Shen3
1Department of Precision Machinery and Precision Instrumentation, University of Science and Technology of China, Hefei, 230026, China.
概括
一个新的深度学习网络,DMCA-Net,通过区分微妙的视觉差异和变异,准确地检测出异常的宫细胞. 这一进步改善了早期的宫癌查和诊断.
科学领域:
- 生物医学图像分析
- 计算病理学计算病理学
- 医疗保健中的人工智能
背景情况:
- 准确的宫癌检测对于早期查和诊断至关重要.
- 深度学习方法面临的挑战是视觉上相似的正常和异常细胞以及外观变化.
- 现有的方法难以区分细胞形态的微妙变化和变异.
研究的目的:
- 提出一个新的双分支网络,DMCA-Net,以改善宫癌细胞检测.
- 增强子宫细胞的嵌入式学习和分类能力.
- 克服目前在宫癌查中的深度学习方法的局限性.
主要方法:
- 开发了DMCA-Net,一个双分支网络,用于检测异常和正常的宫细胞.
- 实现了细胞间对智的交叉注意力 (IPCA),以使用正常细胞作为分心器来完善特征学习.
- 利用多颗粒度层次对比学习 (MHCL) 通过减少类内变化和增加类间距离来改善分类.
主要成果:
- 与公开数据集上的现有方法相比,DMCA-Net表现出优越的性能.
- 在宫细胞检测和分类方面取得了最先进的 (SOTA) 结果.
- MHCL有效地减轻了类内变异,并增强了细胞类型之间的歧视.
结论:
- DMCA-Net为准确的宫细胞检测提供了强大的解决方案,解决了视觉相似性和外观变异性的关键挑战.
- 拟议的IPCA和MHCL机制显著提高了网络区分正常和异常宫细胞的能力.
- 这项工作推动了宫癌查中的深度学习应用,为更精确的诊断铺平了道路.
