Die Studie präsentiert ein neuartiges Integratives Graph-Transformer-Framework (IGT) für die Darstellung und Klassifizierung von histopathologischen Whole-Slide-Bildern (WSI).
Das Kernkonzept des IGT-Frameworks besteht aus einer Abfolge von Graph-Transformer-Integrations-Blöcken, wobei jeder Block eine Graph-Convolutional-Network-Schicht zur Erfassung der räumlichen Beziehungen zwischen benachbarten Geweberegionen und ein globales Aufmerksamkeitsmodul zur Erfassung der umfassenden globalen Informationen des gesamten WSI kombiniert.
Durch die simultane Modellierung der räumlichen Beziehungen auf lokaler Ebene und der langreichweitigen paarweisen Korrelationen über alle Instanzen hinweg ist das IGT-Framework in der Lage, sowohl die kontextbezogenen relationalen Merkmale als auch die globalen WSI-Darstellungen effektiv zu erfassen.
Die Leistungsfähigkeit des IGT-Frameworks wird anhand von drei öffentlich zugänglichen WSI-Datensätzen (TCGA-NSCLC, TCGA-RCC und BRIGHT) evaluiert. Die Ergebnisse zeigen, dass das IGT-Framework die aktuellen State-of-the-Art-Methoden deutlich übertrifft und eine Verbesserung der Genauigkeit um 1,0% bis 2,6% und der AUROC um 0,7% bis 1,6% erzielt.
toiselle kielelle
lähdeaineistosta
arxiv.org
Tärkeimmät oivallukset
by Zhan Shi,Jin... klo arxiv.org 03-28-2024
https://arxiv.org/pdf/2403.18134.pdfSyvällisempiä Kysymyksiä