具有基于注意力的神经网络框架的先进变压器,用于精确检测细胞癌,使用组织图像检测脏图像

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 细胞癌 (RCC) 是一种多样化的癌,有十多种亚型,按组织病理学分类.
• 对RCC亚型的准确分类对于治疗和预后至关重要.
• 深度学习 (DL) 在医学图像分析方面表现有前途,与人类专家的性能相匹配或超过.

研究的目的:

• 开发一种自动化,准确的模型,用于检测和排名RCC使用脏组织病理图像.
• 引入高级变压器和基于注意力的神经网络框架,用于智能检测细胞癌 (ATANNF-IDRCC).

主要方法:

• 使用对比度增强进行图像预处理.
• 通过双胞胎空间可分离视觉变压器 (Twins-SVT) 进行特征提取.
• 使用带有注意力机制的混合BiTCN-BiLSTM-AM模型进行RCC分类.

主要成果:

• ATANNF-IDRCC模型在RCCGNet数据集上实现了98.26%的卓越准确性.
• 在检测和排名RCC亚型方面表现出高性能.
• 在准确性方面表现优于现有的模型.

结论:

• ATANNF-IDRCC模型提供了一个高度准确和自动化的解决方案,用于从组织病理学检测和亚型化RCC.
• 这种基于DL的方法具有显著的潜力,可以改善癌诊断和患者管理.