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

作     者：杨昆 常世龙 王尉丞 高聪 刘筱 刘爽 薛林雁 YANG Kun;CHANG Shilong;WANG Yucheng;GAO Cong;LIU Xiao;LIU Shuang;XUE Linyan

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 

出 版 物：《电子与信息学报》 (Journal of Electronics & Information Technology)

年 卷 期：2022年第44卷第1期

页      面：138-148页

核心收录：

学科分类：0710[理学-生物学] 0711[理学-系统科学] 1002[医学-临床医学] 07[理学] 1001[医学-基础医学(可授医学、理学学位)] 08[工学] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：河北省自然科学基金(H2019201378)。 

主　　题：肾透明细胞癌 ISUP分级 病理图像 深度学习 注意力机制 

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。