Classification of breast pathological images based on multiscale information interaction and fusion
Weilong Ding, Fenglong Zhu, Kui Zheng, Xiupeng Jia · Journal of Image and Graphics · 2024
目的基于深度学习方法进行乳腺癌识别是一项具有挑战的任务，目前较多研究使用单一倍率下的乳腺组织病理图像作为模型的输入，忽略了乳腺组织病理图像固有的多倍率特点，而少数将不同倍率下的图像作为模型输入的研究，存在特征利用率较低以及不同倍率的图像之间缺乏信息交互等问题。方法针对上述问题，提出一种基于多尺度和分组注意力机制的卷积神经网络改进策略。该策略主要包括信息交互模块和特征融合模块。前者通过空间注意力加强不同倍率的图像之间的相关性，然后将加权累加的结果反馈给原始分支进行动态选择实现特征流通；后者则利用一种分组注意力来提升特征的利用率，同时基于特征金字塔来消除图像之间的感受野差异。结果本文将上述策略应用到多种卷积网络中，并与最新的方法进行比较。在Camelyon16公开数据集上进行五折交叉验证实验，并对每一项评价指标计算均值和标准差。相比于单一尺度图像作为输入的卷积网络，本文改进的方法在准确率上提升0.9%～1.1%，F1分数提升1.1%～1.2%；相较于对比方法中性能最好的TransPath网络，本文改进的DenseNet201（dense convolutional network）在准确率上提升0.6%，精确率提升0.8%，F1分数提升0.6%，并且各项指标的标准差低于Transpath，表明加入策略的网络具有更好的稳定性。结论本文所提出的策略能弥补一般多尺度网络的缺陷，并具备一定的通用性，可获得更好的乳腺癌分类性能。