典型文献
基于sECANet通道注意力机制的肾透明细胞癌病理图像ISUP分级预测
文献摘要：
为了对肾透明细胞癌(ccRCC)进行准确核分级以改善肾癌的治疗和预后,该文提出一种新的通道注意力模块sECANet,通过计算特征图中当前通道与临近通道以及当前通道与远距离通道之间的信息交互来获取更多有用的特征.实验中收集了90例患者的肾组织病理图像,进行裁切和增强后采用五折交叉验证法对改进后的网络在Patch级别进行验证.实验结果表明,该文所提出的模型在Patch级别上鉴别ISUP分级的准确率为78.48±3.17％,精确率为79.95±4.37％,召回率为78.43±2.44％,F1分数为78.51±3.04％.进一步地,对每个病例所有Patch的预测结果采用多数投票法得到Image级别的分类结果,所有病例的准确率为88.89％,精确率为89.88％,召回率为87.65％,F1分数为88.51％.因此,sECANet在Patch级别和Image级别上均优于其他注意力机制和基本网络模型ResNet50.据此,该文所构建的病理图像ccRCC ISUP分级模型有良好的诊断效能,可以为患者的治疗和预后提供一定的参考.
文献关键词：
肾透明细胞癌;ISUP分级;病理图像;深度学习;注意力机制
中图分类号：
作者姓名：
杨昆;常世龙;王尉丞;高聪;刘筱;刘爽;薛林雁
作者机构：
河北大学质量技术监督学院 保定 071002;计量仪器与系统国家地方联合工程研究中心 保定 071002;河北省新能源汽车动力系统轻量化技术创新中心 保定 071002
文献出处：
引用格式：
[1]杨昆;常世龙;王尉丞;高聪;刘筱;刘爽;薛林雁-.基于sECANet通道注意力机制的肾透明细胞癌病理图像ISUP分级预测)[J].电子与信息学报,2022(01):138-148
A类：
sECANet
B类：
通道注意力机制,肾透明细胞癌,癌病,ISUP,分级预测,ccRCC,肾癌,通道注意力模块,特征图,远距离,信息交互,肾组织病理,组织病理图像,裁切,五折交叉验证,交叉验证法,Patch,精确率,召回率,多数投票,投票法,Image,基本网络模型,ResNet50,分级模型,诊断效能
AB值：
0.28725
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
