TexSegNet:一个以注意引导的反驱动的纹理意识深度学习模型,用于数字病理学中核细分和分类的乳腺组织图像

科学领域:

• 计算病理学计算病理学
• 数字组织病理学 数字组织病理学
• 医疗图像分析 医学图像分析

背景情况:

• 准确的细胞核细分和分类对于诊断乳腺癌至关重要.
• 目前的方法面临着错误的阳性/负性,纹理表示和分类集群核的挑战.

研究的目的:

• 引入TexSegNet,这是一个用于核实例细分和分类的新型混合模型.
• 解决乳腺癌分析现有的计算病理学工具的局限性.

主要方法:

• 开发了TexSegNet,这是一个混合编码器解码器模型,包含多尺度卷积,纹理提取,注意力机制和反分类分支.
• 在PanNuke数据集上训练并对其乳房子集进行微调.

主要成果:

• 与CellViT相比,TexSegNet在乳房测试组上的细胞核检测和分类的准确度超过4%,比CellViT.
• 在各种细胞类型中表现出强大的F1评分:瘤 (89.3%),上皮 (91.1%),炎症 (88.9%) 和结合性 (84.3%).
• 在代表性不足的细胞类型上保持了性能.

结论:

• TexSegNet显示出作为数字病理学研究可靠工具的巨大潜力.
• 该模型可以作为决策支持工具,以提高乳腺组织病理学诊断准确度.