多模块UNet++用于结肠癌的组织病理图像细分
Qi Liu1, Zhenfeng Zhao2, Yingbo Wu3
1School of Information Engineering, Hebei GEO University, Shijiazhuang, 050031, China.
Scientific reports
|August 7, 2025
概括
这项研究介绍了RPAU-Net++,这是一种用于准确分离结直肠癌细胞的深度学习模型. 它通过改善腺体和细胞轮的细分来增强病理诊断,克服核变异和集群等挑战.
科学领域:
- 病理学 病理学 病理学
- 医疗成像医学成像
- 计算机科学 计算机科学
背景情况:
- 腺体和细胞轮的准确细分对于结直肠癌的诊断至关重要.
- 挑战包括核染色异质性,尺寸变化,边界重叠和集群.
- 深度学习,特别是编码器-解码器架构,为改进细分提供了潜力.
研究的目的:
- 建议RPAU-Net++模型用于增强结直肠癌病理图像细分.
- 将ResNet-50,联合金字塔融合模块 (JPFM) 和卷积块注意模块 (CBAM) 集成到UNet++框架中.
- 为了提高结直肠癌细胞和腺体细分的准确性和稳定性.
主要方法:
- 通过将ResNet-50编码器,JPFM和CBAM集成到UNet++架构中,开发了RPAU-Net++模型.
- ResNet-50用于剩余跳过连接,以增强特征表示和模型稳定性.
- JPFM促进了多个尺度的特征融合,而CBAM通过自适应加权改善了特征的可区分性.
主要成果:
- 与大肠直肠癌病理学数据集 (GlaS,CoNIC) 和PanNuke数据集的主流模型相比,RPAU-Net++显示出更高的性能.
- 该模型在关键细分指标方面取得了显著的改进,包括交叉与联盟 (IoU) 和子系数.
- 拟议的架构有效地解决了诸如核变异和集群等挑战,从而导致更精确的细分.
结论:
- 在结直肠癌中,RPAU-Net++为病理图像细分提供了更准确,更有效的解决方案.
- 多模块协作融合方法显著提高了细分性能.
- 这种模型有望提高结直肠癌病理学中的临床诊断的准确性.
