在微观超光谱成像中用于无污点乳腺癌检测的多层次层次关注网络

科学领域:

• 计算病理学和医学成像分析.
• 开发生物医学应用的深度学习算法.

背景情况:

• 微观超光谱成像 (MHSI) 提供了无标签的病理,但面临着对比较弱和高光谱数据维度的挑战.
• 现有的补丁智能分类方法与微妙的光谱特征,空间稀疏性和组织异质性作斗争,导致诊断不稳定.
• 在乳腺癌诊断中,对分析未染色组织的强大自动化方法的需求至关重要.

研究的目的:

• 开发一种新的深度学习框架,以使用MHSI数据准确,无污点的乳腺癌诊断.
• 为了解决MHSI中弱形态对比度和高维光谱的局限性,用于病理评估.
• 制定切片级诊断作为多个实例学习 (MIL) 问题,利用层次注意力机制.

主要方法:

• 构建一个新的未染色乳腺MHSI数据集.
• 针对高光谱MIL的多尺度层次注意网络 (MS-HAN) 的建议,采用类似Inception的提取器和基于原型的集群规范化.
• 实现双重注意 (通道和空间) 和具有自我注意的等级聚合器,仅使用切片级标签进行切片级分类.

主要成果:

• 在60名患者的患者分组中,MS-HAN实现了86.7%的准确性和0.92 AUC.
• 该模型在几个强大的MIL基线 (ABMIL,DS-MIL) 上显示了统计学上显著的改善,以及与其他基线 (CLAM,TransMIL) 相比的边际显著性.
• 注意力可视化突出了与瘤相关的区域和信息的光谱范围,验证了模型的可解释性.

结论:

• MS-HAN提供了一种有前途的方法,可以通过微观MHSI通过改进超频谱特征和使用层次的MIL聚合来进行强大,无污点的乳腺癌检测.
• 该研究强调了超谱特异性注意力机制和原型规范化在改善诊断性能方面的潜力.
• 进一步的多中心验证和专家审查是必要的,以确认MS-HAN的临床效用及其基于注意力的解释.