异质图建模生物实体间空间关系用于乳腺癌诊断
计算机视觉与模式识别
2023-07-18 v1 人工智能
机器学习
摘要
乳腺癌的异质性为其早期检测、预后及治疗方案选择带来显著挑战。卷积神经网络常忽略组织病理图像内的空间关系，从而限制其准确性。图神经网络（GNNs）通过将图像内空间关系编码，提供了一条有前景的解决途径。已有研究探索将组织病理图像建模为细胞图与组织图，但未能充分挖掘提取这些生物实体间相互关系的潜力。本文提出一种使用异质 GNN 的新方法，捕捉细胞图与组织图之间的空间及层次关系，以增强从组织病理图像中提取有用信息的能力。我们还比较了基于交叉注意力的网络与 transformer 架构在建模组织与细胞图内复杂关系上的性能。在三个公开乳腺癌数据集——BRIGHT、BreakHis 与 BACH 上，我们的模型在参数量上更高效，并相较基于 transformer 的 SOTA 方法取得更高准确率。
引用
@article{arxiv.2307.08132,
title = {Heterogeneous graphs model spatial relationships between biological entities for breast cancer diagnosis},
author = {Akhila Krishna K and Ravi Kant Gupta and Nikhil Cherian Kurian and Pranav Jeevan and Amit Sethi},
journal= {arXiv preprint arXiv:2307.08132},
year = {2023}
}