TexSegNet: An Attention-Guided Feedback-Driven Texture-Aware Deep Learning Model for Nuclei Segmentation and Classification in Digital Pathology Images of Breast Tissues*
Notice bibliographique
Résumé
Accurate nuclei instance segmentation and classification play a crucial role in computational pathology, particularly for breast cancer diagnosis and characterization. However, existing methods often struggle with relatively high false positive/negative rates in detecting nuclei, inadequate nuclei texture representation leading to misclassification of nucleus types, and difficulties in properly segmenting clustered or touching nuclei in digital pathology images. In this paper, we propose TexSegNet, a hybrid encoder-decoder model that integrates multi-scale convolutions, nuclear texture extraction blocks, advanced attention mechanisms, and a feedback-driven classification branch. Trained on all tissue types included in the PanNuke dataset and subsequently fine-tuned on its breast subset, TexSegNet achieves over 4% higher accuracy in detecting and classifying nuclei on the breast test set as compared to competing models such as CellViT. Notably, TexSegNet maintains very good performance across various cell types, including underrepresented ones, with F1-scores of 89.3 ± 0.4%, 91.1 ± 0.5%, 88.9 ± 0.8%, and 84.3 ± 0.3% in detecting and classifying neoplastic, epithelial, inflammatory, and connective cell nuclei, respectively. These findings underscore TexSegNet's potential as a reliable tool for digital pathology research and as a decision-support tool to enhance diagnostic accuracy in breast histopathology.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,002 | 0,001 |
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 ».