通过多重注意机制增强数字病理图像识别:MACC-Net方法

科学领域:

• 数字病理学
• 计算病理学
• 医学图像分析

背景情况:

• 手动解释数字病理图像用于癌症诊断是低效和主观的.
• 现有的深度学习模型由于注意力机制和受体场的局限性而难以识别骨髓瘤细胞核.

研究的目的:

• 开发一种新的深度学习模型MACC-Net,以提高骨肉瘤细胞核识别在数字病理图像中的准确性.
• 解决卷积神经网络 (CNN) 中单维注意力和固定受体场的局限性.

主要方法:

• 介绍一个基于多重注意力的深度学习模型MACC-Net.
• 整合道,空间和像素级别的注意力机制.
• 增强特征的一致性和受体场扩张以改善细胞识别.

主要成果:

• 在骨肉瘤细胞核识别中,MACC- Net 实现了 0. 847 的子相似系数 (DSC).
• 与传统方法相比,该模型在边缘识别和重叠细胞的分化方面表现出更高的准确性.

结论:

• 作为数字病理学病理学家的可靠辅助诊断工具,MACC-Net具有显著的潜力.
• 多重注意力方法有效地克服了癌细胞核识别现有的深度学习模型的局限性.