联合流: 用于乳腺癌诊断的恶性区域学习
图像与视频处理
2024-09-18 v1 计算机视觉与模式识别
摘要
早期诊断乳腺癌（BC）显著有助于全球降低死亡率。检测不同因素和生物标志物，如雌激素受体（ER）、孕激素受体（PR）、人源皿瘤细胞增强素受体2（HER2）基因、组织学分级（HG）、辅助淋巴结（ALN）状态以及分子亚型（MS），在改善乳腺癌诊断方面发挥重要作用。然而，现有方法仅预测单个因素，因而不太适用于诊断和制定治疗策略。在本文中，我们提出了使用H&E染色的全切片图像（WSI）对六个关键指示因素（ER、PR、HER2、ALN、HG、MS）进行分类，以实现早期乳腺癌诊断。为了精确捕获局部邻域关系，我们利用来自大规模WSI恶性区域的空间域和频域信息。此外，为适应区域感兴趣部位大小可变的需求并对每个区域给予关注，我们提出了恶性区域学习注意力网络。我们的实验结果表明，结合空间和频率信息的恶性区域学习模块在公开数据集上显著提高了多因素和单因素分类性能。
引用
@article{arxiv.2406.18212,
title = {Joint Stream: Malignant Region Learning for Breast Cancer Diagnosis},
author = {Abdul Rehman and Sarfaraz Hussein and Waqas Sultani},
journal= {arXiv preprint arXiv:2406.18212},
year = {2024}
}
备注
Under Review (Biomedical Signal Processing and Control)