移动DANet集成转移学习和动态注意力,用于分类多目标组织病理图像与可解释的AI
Sannasi Chakravarthy S R1, Harikumar Rajaguru2
1Department of ECE, Bannari Amman Institute of Technology, Sathyamangalam, 638401, India. elektroniqz@gmail.com.
Scientific reports
|October 24, 2025
概括
一个新的深度学习框架,MobileDANet,准确地从组织病理图像中分类癌症的严重程度. 这种自动化方法有助于及时诊断细胞癌,乳腺癌和结肠癌.
科学领域:
- 医疗图像分析 医学图像分析
- 人工智能在瘤学中的应用
- 计算病理学计算病理学
背景情况:
- 从组织病理学上准确地分类癌症对于有效的治疗至关重要.
- 需要自动化计算机辅助诊断 (CAD) 系统来满足临床需求.
- 深度学习 (DL) 为复杂的图像分类任务提供了有希望的解决方案.
研究的目的:
- 开发和评估一个DL框架,MobileDANet,用于将细胞癌 (RCC) 分类为五个等级.
- 将框架的实用性扩展到乳腺和结肠癌的组织病理学图像.
- 为了提高癌症严重程度分类的诊断准确性和效率.
主要方法:
- 拟议的MobileDANet架构将MobileNetV2骨干与动态关注 (DA) 块集成在一起.
- 在DA块内利用多头注意力和MLP来捕获依赖关系.
- 采用Grad-CAM用于模型解释性和可视化.
主要成果:
- 在RCC (KMC数据集) 上获得了90.71%的准确性和90.94%的F1分数.
- 在BreakHis (乳腺癌) 数据集上实现了88.16%的识别率.
- 在CRCH (结肠癌) 数据集上达到99.08%的加权F1分数,表现优于基线.
结论:
- 移动DANet在多个组织病理学数据集中对癌症严重程度的分类方面表现出很高的表现.
- 该框架显示了改善自动化癌症诊断的潜力.
- 未来的工作包括对更大的数据集进行验证,并与临床决策支持系统集成.
