单一FoV结肠直肠组织病理的双级失衡缓解图像分类图像分类

科学领域:

• 数字病理学数字病理学
• 机器学习用于癌症诊断.
• 组织病理学图像分析分析.

背景情况:

• 在资源有限的医院,单一视野 (FoV) 组织病理图像分类对于结直肠癌 (CRC) 诊断至关重要.
• 现有的方法在单一FoVCRC诊断中扎着严重的类失衡和性能下降.
• 整个幻灯片成像 (WSI) 扫描仪和广泛的存储通常无法在中低层医疗保健设施中使用.

研究的目的:

• 开发和评估一个新的双层失衡缓解 (DIM) 框架,以改进单一FoV CRC 组织病理图像分类.
• 解决CRC诊断数据集中阶级失衡和性能恶化的挑战.
• 在资源有限的环境中提高机器学习模型的诊断准确性.

主要方法:

• 提出了一个双层不平衡缓解 (DIM) 框架,集成数据层和算法层战略.
• 采用全球上下文生成对抗网络 (GCGAN) 来实现现实的少数阶级形象增强.
• 引入了对频率有意识的自适应焦点损失 (FAFL),以改善类隔离.
• 使用一个轻量级的受体基于现场的卷积神经网络 (LRF-CNN) 与DIM框架进行训练.

主要成果:

• 配备DIM的LRF-CNN在多个指标的单一FoV结肠直肠组织病理学数据集上显著超过了五个最先进的 (SOTA) 模型.
• 当应用到现有的SOTA模型时,DIM框架的单个组件显示了性能增强.
• 拟议的DIM框架在6个额外的单一FoV组织病理学数据集中显示了可概括性和有效性.

结论:

• 双层不平衡缓解 (DIM) 框架有效地解决了类不平衡,并改善了单一FoV CRC基因病理学的分类性能.
• 拟议的GCGAN和FAFL组件与LRF-CNN集成,为资源有限的环境中CRC诊断提供了强大的解决方案.
• DIM框架为增强数字病理学中自动化基因病理学分析提供了一个有希望和可通用的方法.