相关实验视频
Updated: Jan 10, 2026
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
727
多年财政框架-分类网:CNN-变压器混合与多特征融合为乳腺癌组织病理学分类
Xiaoli Wang1, Guowei Wang1, Luhan Li2
1Electronics Information Engineering College, Changchun University, Changchun 130022, China.
Biosensors
|November 26, 2025
概括
一个新的多特征融合分类网络 (MFF-ClassificationNet) 通过整合本地和全球图像特征来改善乳腺癌诊断. 这种人工智能方法提高了分类组织病理图像的准确性,有助于早期检测和降低死亡率.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 乳腺癌是全球妇女死亡的主要原因.
- 准确和早期诊断乳腺癌对于改善患者的治疗结果至关重要.
- 组织病理图像分析是乳腺癌诊断的关键.
研究的目的:
- 引入一个多特征融合分类网络 (MFF-ClassificationNet) 以加强乳腺组织病理图像分类.
- 提高乳腺癌计算机辅助诊断系统的准确性和稳定性.
主要方法:
- 开发了一个双分支并行网络,将局部特征的卷积神经网络 (CNN) 和全球依赖性的变压器结合起来.
- 实现了一个多功能融合模块,其中有一个卷积块注意力模块-挤压和激发 (CBAM-SE) 融合模块.
- 利用剩余的反转多层感知子用于细粒度特征表示和特定类别的病变特征.
主要成果:
- 在BreakHis数据集上实现了高精度:98.30% (40×),97.62% (100×),98.81% (200×) 和96.07% (400×).
- 在BACH数据集上获得了97.50%的准确性.
- 与传统的单路径方法相比,通过有效地整合多个规模和上下文意识的信息,证明了卓越的性能.
结论:
- 多年经营框架-分类网有效地整合了当地和全球特征,以优化乳腺癌分类.
- 拟议的网络为推进乳腺癌的计算机辅助诊断提供了一个强大的和可通用的框架.
- 这种方法有可能显著提高早期检测率,降低乳腺癌死亡率.
