乳腺癌的非侵入性診斷程序涉及體檢和成像技術(shù)，如乳房X光檢查、超聲檢查和磁共振成像。成像程序?qū)τ诟娴卦u(píng)估癌癥區(qū)域和識(shí)別癌癥亞型的敏感性較低。
CNN表現(xiàn)出固有的歸納偏差，并且對(duì)于圖像中感興趣對(duì)象的平移、旋轉(zhuǎn)和位置有所不同。因此，通常在訓(xùn)練CNN模型時(shí)應(yīng)用圖像增強(qiáng)。
Swin Transformer是視覺(jué)轉(zhuǎn)換器的變體，基于非重疊移位窗口的概念，是一種用于各種視覺(jué)檢測(cè)任務(wù)的成熟方法。
用于分類任務(wù)的VIT實(shí)現(xiàn)全局自我注意力，其中計(jì)算圖像補(bǔ)丁和所有其他補(bǔ)丁之間的關(guān)聯(lián)。這種全局量化導(dǎo)致了關(guān)于補(bǔ)丁數(shù)量的二次計(jì)算復(fù)雜性，使得它不太適合處理高分辨率圖像。Swin Transformer工作在移位的窗口上，可以提供可變的圖像補(bǔ)丁分辨率。
為了高效建模，提出并計(jì)算局部窗口內(nèi)的自注意力，并且以不重疊的方式排列窗口以均勻劃分圖像。基于窗口的自注意力具有線性復(fù)雜性和可擴(kuò)展性?；诖翱诘淖宰⒁饬Φ慕Ｄ芰κ怯邢薜模?yàn)樗狈绱翱诘倪B接。因此，提出了一種移位窗口分區(qū)方法，在連續(xù)旋轉(zhuǎn)變壓器塊的分區(qū)配置之間交替進(jìn)行，以允許跨窗口連接，同時(shí)保持非重疊窗口的高效計(jì)算。
基于乳房x光檢查
在從特定感興趣區(qū)域（ROI）進(jìn)行分類時(shí)，從乳房X光片中考慮的典型特征是腫塊大小、ROI的不規(guī)則形狀、ROI邊界的均勻性和組織密度。將這些手工制作的特征輸入到支持向量機(jī)、k近鄰、邏輯回歸、二叉決策樹(shù)和人工神經(jīng)網(wǎng)絡(luò)等分類器中進(jìn)行分類。
基于超聲圖像檢查
超聲檢查也是非侵入性的，基于機(jī)器學(xué)習(xí)的方法包括基于感興趣區(qū)域的放射性特征，用于使用各種機(jī)器學(xué)習(xí)分類器進(jìn)行分類。使用希爾伯特變換和標(biāo)記控制分水嶺變換提取形狀和紋理特征，并將其進(jìn)一步饋送到KNN分類器和集成決策樹(shù)模型。
基于組織病理學(xué)圖像
非侵入性成像程序可能無(wú)法識(shí)別癌癥區(qū)域及其亞型。為了彌補(bǔ)這一缺陷，活檢被用于更多樣化地研究乳腺組織中的惡性腫瘤。活檢包括收集樣本并在顯微鏡載玻片上對(duì)組織進(jìn)行染色，以便更好地觀察細(xì)胞質(zhì)和細(xì)胞核。
BreakHis數(shù)據(jù)集
BreaKHis數(shù)據(jù)集由82例患者的乳腺腫瘤手術(shù)活檢獲得的7909張顯微RGB圖像組成，放大倍率分別為50倍、100倍、200倍和400倍。數(shù)據(jù)包括良性和惡性亞型。此外，良性癌癥亞型包括纖維腺瘤、管狀腺瘤、葉狀瘤和腺病，而惡性亞型包括導(dǎo)管癌、乳頭狀癌、小葉癌和粘液性癌。
?Swin Transformer
準(zhǔn)備工作
- 將700*640的原始圖像分辨率調(diào)整為224*224
- 將輸入尺寸為的RGB圖像將原始的起始補(bǔ)丁大小分割成大小為4*4的小補(bǔ)丁
- 每個(gè)圖象補(bǔ)丁的尺寸為
- 在大小為48的原始特征張量上應(yīng)用線性嵌入層，將其投影到特征維度C上
體系結(jié)構(gòu)
- ?將尺寸為C的補(bǔ)丁線性嵌入上應(yīng)用幾個(gè)具有自注意力的Swin Transformer塊，保證tokens的數(shù)量為，線性嵌入層與Swin Transformer一起構(gòu)成Swin Transformer體系結(jié)構(gòu)的第一階段。
- 為了便于分層表示，從Swin Transformer Block架構(gòu)的第二階段開(kāi)始，通過(guò)補(bǔ)丁合并層來(lái)降低補(bǔ)丁的數(shù)量。第二階段的補(bǔ)丁合并層將每組2*2相鄰補(bǔ)丁的特征進(jìn)行拼接，并在4C維拼接特征上應(yīng)用線性層。這樣可以將補(bǔ)丁的數(shù)量減少了4倍，并且將線性層的輸出維度為2C，第二階段的輸出補(bǔ)丁數(shù)保持在，
- 這樣的過(guò)程重復(fù)兩次，構(gòu)成階段3和階段4.導(dǎo)致其輸出分辨率分別為和
?
文章來(lái)源：http://www.zghlxwxcb.cn/news/detail-847877.html
模型交叉驗(yàn)證和測(cè)試
原始數(shù)據(jù)集中圖像的強(qiáng)度值在0 ~ 255之間，將這些強(qiáng)度縮放為?1和1之間的值。當(dāng)包含所有縮放因子的圖像時(shí)，數(shù)據(jù)集被分為62:8:30分別用于訓(xùn)練、驗(yàn)證和測(cè)試。當(dāng)從特定縮放因子的圖像中實(shí)現(xiàn)分類時(shí)，遵循72:8:20的分割。通過(guò)經(jīng)驗(yàn)選擇Swin Transformer的超參數(shù)，并使用驗(yàn)證集來(lái)確保模型不會(huì)過(guò)擬合。文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-847877.html
到了這里，關(guān)于基于Swin Transformers的乳腺癌組織病理學(xué)圖像多分類的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
