基于深度学习技术的前列腺癌组织学图像 Gleason 分级分类：YOLO、Vision Transformer 与 Vision Mamba
图像与视频处理
2024-10-04 v2 计算机视觉与模式识别
摘要
前列腺癌是影响男性健康的领先疾病之一，Gleason 评分系统是诊断和预后评估的主要方法。该系统依赖于专家病理学家评估前列腺组织样本并分配 Gleason 分级，这一任务需要大量的时间和人工工作。为解决这一挑战，人工智能 (AI) 解决方案被探索用于自动化分级过程。本研究评估和比较了三种深度学习方法——YOLO、Vision Transformer 和 Vision Mamba——在准确分类组织学图像中 Gleason 分级方面的有效性。旨在提高前列腺癌管理中诊断精度和效率。本研究使用两个公开数据集（Gleason2019 和 SICAPv2）训练和测试 YOLO、Vision Transformer 和 Vision Mamba 模型。每个模型都基于其准确分类 Gleason 分级的能力进行评估，考虑诸如假阳性率、假阴性率、精确度和召回率等指标。还考察了每种方法在临床环境中的计算效率和适用性。Vision Mamba 在所有指标上均表现出色，实现了高精确度和召回率，同时最小化了假阳性和假阴性。YOLO 在速度和效率方面表现有前景，特别适用于实时分析。Vision Transformer 在捕捉图像中长程依赖方面表现突出，但计算复杂度较高。Vision Mamba 作为组织学图像中 Gleason 分级分类的最有效模型，提供了准确性和计算效率之间的最佳平衡。
引用
@article{arxiv.2409.17122,
title = {Classification of Gleason Grading in Prostate Cancer Histopathology Images Using Deep Learning Techniques: YOLO, Vision Transformers, and Vision Mamba},
author = {Amin Malekmohammadi and Ali Badiezadeh and Seyed Mostafa Mirhassani and Parisa Gifani and Majid Vafaeezadeh},
journal= {arXiv preprint arXiv:2409.17122},
year = {2024}
}