乳腺HistoNet:一个高效的乳腺癌组织病理图像分类使用多尺度特征和频道重新校准

科学领域:

• 医疗成像医学成像
• 计算病理学计算病理学
• 在瘤学中使用人工智能

背景情况:

• 准确的乳腺癌 (BrCan) 诊断依赖于组织病理学图像分析.
• 当前的深度学习模型虽然有效,但计算密集,需要大量的记忆,限制了它们的临床实用性.
• 需要有效和准确的自动化BrCan分类工具.

研究的目的:

• 开发一种轻量级的深度学习模型,用于自动的BRCan基因病理图像分类.
• 为了实现与最先进的方法相匹配的性能,同时最大限度地降低计算复杂性和内存足迹.
• 为资源有限的临床环境提供实用工具.

主要方法:

• 集成深度-扩展-多尺度-点向 (DDMP) 块用于多尺度特征提取.
• 使用离散波纹转换 (DWT) 和挤压激发 (SE) 块进行特征重新校准.
• 双流架构结合了DWT子带和最大共享输出,其次是SE块.
• 开发了BreastHistoNet模型,其中包括DDMP-SE块,全球平均池和具有GELU激活的密集层.

主要成果:

• 乳腺HistoNet表现出卓越的效率,模型大小为7.47 MB,参数为0.63 M,和6.50 G FLOPS.
• 在BreaKH数据集上实现了高分类性能:95.48%的准确性,95.61%的精度,95.46%的特异性,95.46%的回忆力,95.48%的F1分数.
• 除研究证实了时代,激活函数和批量大小对模型性能的影响.

结论:

• 乳腺HistoNet提供了一个高度准确和计算效率高的解决方案,用于BrCan分类.
• 该模型的低复杂性和最小的内存使用使其适合在临床环境中部署.
• 这种轻量级的方法促进了人工智能的整合,以帮助BrCan诊断.