GRU-Net: 基于高斯注意力辅助密集跳跃连接的 MultiResUNet 用于乳腺组织病理学图像分割
图像与视频处理
2024-08-02 v2 计算机视觉与模式识别
机器学习
摘要
乳腺癌是一个主要的全球健康问题。病理学家在分析病理图像中的复杂特征时面临挑战，这是一项耗时费力的任务。因此，需要高效的基于计算机的诊断工具用于早期检测和治疗规划。本文提出了 MultiResU-Net 的一个改进版本用于组织病理学图像分割，选择其作为骨干网络是因为它能够在多个尺度上分析和分割复杂特征，并通过跳跃连接确保有效的特征流动。改进版本还利用基于高斯分布的注意力模块 (GdAM) 将组织病理学相关的文本信息融入高斯分布中。从高斯文本特征引导分布中采样的特征，根据先验知识突出显示特定的空间区域。最后，通过在 MultiResU-Net 的跳跃连接上使用受控密集残差块 (CDRB)，利用从提取的空间特征导出的缩放参数，以受控方式将信息从编码器层传递到解码器层。我们在两个不同的乳腺癌组织病理学图像数据集 TNBC 和 MonuSeg 上验证了我们的方法，证明了与最先进方法相比优越的分割性能。我们提出模型的代码可在 https://github.com/AyushRoy2001/GRU-Net 获取。
引用
@article{arxiv.2406.08604,
title = {GRU-Net: Gaussian Attention Aided Dense Skip Connection Based MultiResUNet for Breast Histopathology Image Segmentation},
author = {Ayush Roy and Payel Pramanik and Sohom Ghosal and Daria Valenkova and Dmitrii Kaplun and Ram Sarkar},
journal= {arXiv preprint arXiv:2406.08604},
year = {2024}
}