FMDNN：一种模糊导向的多粒度深度神经网络用于组织病理图像分类

组织病理图像分类是计算机辅助诊断中的关键任务。对组织病理图像的精准识别与分类对于早期疾病检测和治疗具有至关重要的意义。在病理学家的诊断过程中，通常会采用多层次的方法，在不同放大倍数下评估细胞区域的异常。然而，特征提取往往只在单一粒度上进行，忽略了细胞的多粒度特性。为此，我们提出了模糊导向的多粒度深度神经网络（FMDNN）。灵感来自病理学家的多粒度诊断方法，我们在粗、中、细三个粒度上对细胞结构进行特征提取，使模型能够充分利用组织病理图像中的信息。我们引入模糊逻辑理论，以解决多粒度特征提取过程中冗余关键信息的难题。通过多个模糊成员函数从不同角度描述细胞特征，并将其融合以创建通用模糊特征。模糊导向的跨注意力模块引导通用模糊特征向多粒度特征。我们将这些特征通过编码器传递给所有补丁标记，以实现更高的分类准确率和鲁棒性。在多个公开数据集上的实验表明，我们的模型在组织病理图像分类上优于常用分类方法，显示出显著的准确率提升和亲和力。