AGAFNet:适应性门式注意力融合网络,用于精确的核细分和分类在组织学图像中的核

科学领域:

• 数字病理学数字病理学
• 计算生物学是一种计算生物学.
• 医疗图像分析 医学图像分析

背景情况:

• 精确的细胞核细分和分类在血素和乙素 (H&E) 染色组织学图像中对于癌症诊断,治疗计划和研究至关重要.
• 挑战包括不规则的细胞形状,不清楚的边界和类不平衡,妨碍精确的分析.

研究的目的:

• 提出适应性门式注意力融合网络 (AGAFNet),这是一个创新的深度学习模型,用于H&E图像中核细分和分类.
• 增强特征表示,选择性聚焦和信息融合,以提高准确性.

主要方法:

• AGAFNet具有U形架构,具有专用解码器用于细分和分类.
• 它集成了三个新的基于注意力的区块:通道智能和空间注意力集成区块 (CSAIB),自适应门式卷积区块 (AGCB) 和融合注意力改进区块 (FARB).

主要成果:

• 在AGAFNet的评估中,使用了三个大型数据集:PanNuke,CoNSeP和Lizard.
• 该模型的性能与现有的最先进的核细分和分类方法具有可比性.

结论:

• 在H&E染色组织学图像中,AGAFNet提供了一个强大的解决方案,用于精确的核细分和分类.
• 提出的基于注意力的块有效地解决了数字病理学图像分析方面的挑战.