用于骨肉瘤组织学图像分类的降噪注意力交叉融合学习 Transformer
图像与视频处理
2022-05-02 v1 计算机视觉与模式识别
机器学习
摘要
骨肉瘤的恶性程度及其转移/扩散倾向主要取决于病理分级（通过显微镜下观察肿瘤形态确定）。本研究旨在利用人工智能对骨肉瘤组织学图像进行分类，并评估肿瘤存活与坏死情况，从而帮助医生减少工作量、提高骨肉瘤癌检测的准确率，并为患者提供更好的预后。该研究提出一种典型的 transformer 图像分类框架，通过集成降噪卷积自编码器与特征交叉融合学习（NRCA-FCFL）来对骨肉瘤组织学图像进行分类。降噪卷积自编码器能很好地对骨肉瘤组织学图像去噪，从而得到更纯净的用于骨肉瘤分类的图像。此外，我们引入特征交叉融合学习，其整合两种尺度图像块，通过使用额外的分类 token 来充分探索其相互作用。由此生成精炼的融合特征，并将其送入残差神经网络进行标签预测。我们进行了大量实验以评估所提方法的性能。实验结果表明，我们的方法在各种评价指标上优于传统与深度学习方法，准确率达 99.17%，可支持骨肉瘤诊断。
引用
@article{arxiv.2204.13838,
title = {Noise-reducing attention cross fusion learning transformer for histological image classification of osteosarcoma},
author = {Liangrui Pan and Hetian Wang and Lian Wang and Boya Ji and Mingting Liu and Mitchai Chongcheawchamnan and Jin Yuan and Shaoliang Peng},
journal= {arXiv preprint arXiv:2204.13838},
year = {2022}
}