CRC-前者:用于结肠直肠癌的频域自适应性转换器 组织病理学分类

科学领域:

• 计算病理学计算病理学
• 医疗图像分析 医学图像分析
• 深度学习是一种深度学习.

背景情况:

• 从组织病理学图像进行结肠直肠癌 (CRC) 诊断是具有挑战性的,因为组织异质性和多尺度变异.
• 传统的深度学习模型难以捕捉细粒度纹理和全球背景,缺少关键的频率域信息.

研究的目的:

• 开发一种新的混合深度学习架构,以改善CRC诊断.
• 为了解决在组织病理学图像中捕捉纹理和上下文的局限性.

主要方法:

• 拟议的CRC-Former架构整合了频率感知表示学习和跨度级序列建模.
• 引入了使用Haar波波变换和滑动窗注意力的频率感知全球局部变压器块 (FGT).
• 集成的交叉尺度Mamba块 (CSM) 实现高效的层次特征融合.

主要成果:

• 前CRC在朝阳CRC数据集上实现了最先进的性能.
• 在CRC诊断中表现优于现有的强有力的基线模型.

结论:

• 明确地将信号处理与序列建模集成在一起,为计算病理学提供了一个强大的方法.
• 拟议的方法提供了一个强大的,可解释的,可扩展的解决方案,用于分析组织病理图像.