LDCSF：基于局部深度卷积的 Swim 框架用于多标签组织病理学图像分类
计算机视觉与模式识别
2023-08-22 v1 人工智能
摘要
组织病理学图像是诊断肝癌的金标准。然而，计算病理学中全数字化诊断的准确率有待提升。本文为解决组织病理学图像多标签且分类准确率低的问题，提出一种局部深度卷积 Swim 框架(LDCSF)以分类多标签组织病理学图像。为能提供局部视野诊断结果，我们提出 LDCSF 模型，其由 Swin transformer 模块、局部深度卷积(LDC)模块、特征重建(FR)模块和 ResNet 模块组成。Swin transformer 模块通过将注意力限制在各窗口内，减少注意力机制产生的计算量。随后 LDC 重建注意力图并在多通道上执行卷积操作，将所得特征图传至下一层。FR 模块利用从各通道获得的对应权重系数向量与原始特征图向量矩阵点乘，生成具代表性的特征图。最后，残差网络承担最终分类任务。结果表明，LDCSF 对间质区、坏死、非肿瘤和肿瘤的分类准确率分别达到 0.9460、0.9960、0.9808、0.9847。最后，我们利用多标签病理图像分类结果计算瘤间质比，为肝癌组织病理学图像微环境分析奠定基础。其次，我们发布了一个肝癌多标签组织病理学图像，我们的代码与数据见 https://github.com/panliangrui/LSF。
引用
@article{arxiv.2308.10446,
title = {LDCSF: Local depth convolution-based Swim framework for classifying multi-label histopathology images},
author = {Liangrui Pan and Yutao Dou and Zhichao Feng and Liwen Xu and Shaoliang Peng},
journal= {arXiv preprint arXiv:2308.10446},
year = {2023}
}
备注
Submitted to BIBM2023