H-DCA 网络:多层次的双分支协调注意力框架,用于多尺度的胃组织病理学诊断

科学领域:

• 计算病理学计算病理学
• 人工智能在瘤学中的应用
• 用于医学成像的深度学习

背景情况:

• 胃癌的诊断依赖于组织病理学,这是主观和低效的.
• 当前的计算机辅助诊断 (CAD) 系统面临规模不匹配问题,无法整合宏观和微观功能.
• 准确的早期诊断对于改善患者的预后至关重要.

研究的目的:

• 开发一个新的深度学习框架,H-DCA Net,以解决胃癌分类中的规模不匹配问题.
• 模仿病理学家的多尺度诊断工作流程,以提高准确性和可靠性.
• 为了增强自动化胃癌查工具.

主要方法:

• 提出了分层双分支坐标注意网络 (H-DCA Net) 的两个分支:一个高级语义分支 (EfficientNetV2-S) 和一个局部细节分支 (MobileNetV3-L).
• 集成功能使用层次关注机制.
• 在GasHisSDB数据集上训练并验证模型,使用多个图像补丁大小 (80x80,120x120,160x160像素).

主要成果:

• 在各种尺度上,H-DCA Net实现了高性能,在120x120分数据集上,准确率为99.27%,精度为99.3%,灵敏度为99.2%,特异性为99.4%.
• 该模型在160x160 (99.04%准确度) 和80x80 (98.62%准确度) 数据集上表现出强的性能.
• H-DCA Net的性能优于或与最先进的模型相匹配,特别是在有限的视野场景 (80x80) 中.

结论:

• 通过其双分支架构和层次关注,H-DCA Net有效地整合了多层次的病理信息.
• 该模型为自动化胃癌查提供了一个高精度的基础,是一个高效,可靠和可解释的辅助工具.
• H-DCA Net有助于减少诊断主观性,提高病理学工作流程效率.