.png){kind=icon}
返回
OKEN: A Supervised Evolutionary Optimizable Dimensionality Reduction Framework for Whole Slide Image Classification
.png){kind=icon}
PRE
AI
DOI：10.3390-bioengineering12070733.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
肺癌亚型分类是一个关键的临床步骤；然而，仅依赖H&E染色的组织病理学图像可能会带来挑战，有时需要进行额外的免疫组织化学分析才能进行确切的亚型分类。数字病理学促进了人工智能在数字组织切片自动分类中的应用。全切片图像（WSI）的自动分类通常涉及从其获取的图像块中提取特征。本研究的目标是开发一个利用可优化核的WSI分类框架，通过进化算法将WSI中每个图像块的特征编码到期望且可调整的潜在空间中。编码后的数据随后可用于分类和分割，同时计算效率更高。我们提出的框架与当前最先进的模型Vim4Path在内部和外部肺癌WSI数据集上进行了比较。在内部测试集上，所提出的模型在×2.5和×10放大倍率下均优于Vim-S16，其中×2.5放大倍率下准确率最高（0.833），F1分数最高（0.721）。在外部测试集上，×10放大倍率下的Vim-S16达到最高准确率（0.732），而×2.5放大倍率下的OKEN-DenseNet121具有最佳F1分数（0.772）。未来工作中，寻找一种动态调整进化算法输出维度的方式将具有价值。
Keyword:
lung cancer subtyping
digital pathology
whole slide images
evolutionary algorithm
feature encoding
期刊
B
IF:
3.7
论文数:
5.9K
被引数:
1.3W
机构
引用论文
Dwivedi, K.; Gupta, A.; Rajpal, A.; Kumar, N. Deep Learning-based NSCLC Classification from Whole-Slide Images: Leveraging Expectation-Maximization and InceptionV3. Procedia Comput. Sci. 2024, 235, 2422–2433. [Google Scholar] [CrossRef]Dwivedi, K.; Gupta, A.; Rajpal, A.; Kumar, N. 基于深度学习的全切片图像NSCLC分类：利用期望最大化算法和InceptionV3。Procedia Comput. Sci. 2024, 235, 2422–2433. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏Dual-Path Multi-Scale CNN for Precise Classification of Non-Small Cell Lung Cancer双路径多尺度CNN对非小细胞肺癌的精确分类
PREAI
分享收藏Data-efficient and weakly supervised computational pathology on whole-slide images全载玻片图像上的数据高效和弱监督计算病理学
OAAI
OAAI分享收藏Multiple instance learning: A survey of problem characteristics and applications多实例学习: 问题特征与应用综述PATTERN RECOGNITIONOAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏Strauss, G.M.; Jemal, A.; McKenna, M.B.; Strauss, J.A.; Cummings, K. B4-06: Lung Cancer Survival in Relation to Histologic Subtype: An Analysis based upon Surveillance Epidemiology and End Results (SEER) Data. J. Thorac. Oncol. 2007, 2, S345–S346. [Google Scholar] [CrossRef]Strauss, G.M.; Jemal, A.; McKenna, M.B.; Strauss, J.A.; Cummings, K. B4-06: 肺癌生存率与组织学分型的关系：一项基于监测、流行病学和最终结果（SEER）数据的分析。J. Thorac. Oncol. 2007, 2, S345–S346. [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏
查看更多内容