Automatic characterization of breast lesions using multi-scale attention-guided deep learning of digital histology images
Notice bibliographique
Résumé
A multi-scale attention-guided deep learning model is proposed to characterise breast tissue in digital histology images (H&E stained) according to four different histological types including normal, benign, in situ carcinoma and invasive carcinoma. The framework includes two parallel convolutional neural networks with modified VGG16 architecture. The first network analyzes the whole-sample images at low magnification. The second network focuses on the patches extracted from the whole-sample images at high magnification. In the low-magnification network, a global average pooling layer was added at the end of the network to extract the class activation maps for the attention model. A long short-term memory network was adapted as a recurrent attention mechanism to increase the contribution of the relevant parts of each image for classification. In the high-magnification network, the probability vectors were averaged over all patches extracted from an image to obtain the probability vectors associated with the four histological types for each sample. The probability vectors for each sample from the high-magnification network and the attention model were fused using a multilayer perceptron network to generate a classification label. Obtained results on an independent test set demonstrated an average accuracy of 97.5% ± 1.0% for the proposed model. An average accuracy of 94.5%, 93.5%, and 96.3% was obtained, respectively, for the separate high- and low-magnification networks, and the multi-scale model without an attention mechanism. The results suggested that a multi-scale strategy coupled with an attention mechanism can improve the accuracy of deep learning models in classifying digital histology images.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».