Estás leyendo la publicación: Investigadores de China proponen una red profunda de alto orden de atención novedosa ‘AHoNet’ para la clasificación de imágenes histopatológicas del cáncer de mama
El cáncer de mama es el cáncer más común y mortal para las mujeres. Por ello, es fundamental detectarlo precozmente para reducir el riesgo de muerte. Con el surgimiento de técnicas de aprendizaje automático cada vez más potentes, los investigadores se han centrado en detectar el cáncer de mama mediante el uso de métodos de visión artificial como el aprendizaje profundo y las redes de neuronas convolucionales (CNN).
Las investigaciones más recientes sobre la clasificación de las imágenes histopatológicas del cáncer de mama se pueden dividir en dos enfoques principales. El primer enfoque utiliza CNN para extraer características y luego realiza la clasificación con clasificadores tradicionales como SVM. El segundo enfoque utiliza una CNN de extremo a extremo que garantiza la extracción de características y los pasos de clasificación.
Recientemente, investigadores de una universidad china en Dalian propusieron un nuevo método llamado AHoNet para asegurar la clasificación de imágenes histopatológicas de cáncer de mama. AHoNet es una red CNN de extremo a extremo basada en dos herramientas principales: el módulo de atención de canales y las estadísticas de segundo orden. La primera herramienta tiene como objetivo lograr características profundas sobresalientes locales, mientras que la segunda sirve para construir una representación de características globales más sólida.
Los autores eligieron a ResNet18 como la columna vertebral de la red general. Luego, agregaron dos módulos adicionales: el módulo de atención de canales (ECA-Net) y la red de segundo orden (MPN-COV). Concretamente, detrás de cada bloque residual de ResNet, se implementa ECA-Net. Que tiene como objetivo aprender la atención del canal de cada bloque y asegurar la redistribución de sus pesos. ECA-Net es un modelo de atención local interactiva multicanal que evita la reducción de dimensionalidad para mantener la correspondencia directa entre el canal y sus pesos. Después de mejorar la funcionalidad local con el módulo de atención, MPN-COV se agrega a la salida de la última capa de la red troncal, reemplazando la capa de agrupación promedio original en ResNet18. Este módulo se agrega para calcular las características estadísticas de segundo orden, que son más discriminantes que las de primer orden. MPN-COV tiene como objetivo mejorar el poder informativo de las características globales extraídas por la red general. Los autores propusieron utilizar la combinación de covarianza para realizar esta operación e introdujeron una nueva técnica de aceleración de normalización de covarianza para acelerar su implementación en GPU. En la fase de entrenamiento, se aplicaron operaciones simples de aumento de datos, como cambio de rotación y recorte, para evitar el problema de sobreajuste.
Para evaluar el modelo propuesto en este artículo, los autores realizaron un estudio experimental en dos conjuntos de datos, BreakHis y BACH. Además, eligieron siete métricas. Un estudio comparativo con el estado del arte ha demostrado que AHoNet es muy competitivo y supera a la mayoría de los métodos existentes. También se realizó un estudio de ablación para mostrar la eficiencia de cada módulo implementado en la red. Este estudio ha demostrado que los dos módulos presentados en el artículo (ECA-Net y MPN-COV) son complementarios y mejoran el rendimiento general de la red.
Hemos visto en este artículo un novedoso método de clasificación de imágenes histopatológicas de cáncer de mama que mejora el poder informativo de las características locales y globales gracias a un módulo de atención de canal y un módulo de agrupación de segundo orden. Un amplio estudio experimental sobre dos grandes conjuntos de datos públicos ha demostrado la eficacia de este nuevo enfoque. Los autores planean mejorar aún más sus métodos explorando otras técnicas de atención y modelos estadísticos de alto orden.
Este artículo está escrito como un artículo de resumen en papel por el personal de investigación de Marktechpost basado en el trabajo de investigación ‘Clasificación de imágenes histopatológicas de cáncer de mama utilizando la red profunda de atención de alto orden ‘. Todo el crédito de esta investigación es para los investigadores de este proyecto. Revisar la papel.
Por favor no olvides unirte Nuestro subreddit de ML
Echa un vistazo a https://aitoolsclub.com para encontrar 100 de Cool AI Tools
