轻量级截断融合镜像网络（Lightweight Truncated Fused-MirrorNet）：用于组织病理学图像的分类与分析

病理切片图像分类方法研究：提出轻量级Fused-MirrorNet模型，在肾细胞癌数据集上实现92.60%和90.00%准确率，支持低资源设备部署，通过部分层冻结和特征融合提升效率并降低计算需求。

摘要

肾细胞癌是与癌症相关的死亡的主要原因，这突显了早期检测和准确诊断的重要性。传统的组织病理学图像分类方法存在局限性，如需要大量人力、耗时较长以及不同病理学家之间的判读差异，这些因素可能导致误诊，尤其是在疾病早期阶段。基于深度学习的自主解决方案对于克服这些限制至关重要。然而，基于视觉的模型需要大量的计算资源和数据集，这对资源有限的基础设施来说是一个挑战。在本研究中，我们提出了一种使用轻量级的Fused-MirrorNet模型来分析组织病理学图像的方法。通过采用镜像架构、部分层冻结和特征融合技术，我们提高了模型的性能。在肾脏组织病理学图像分析中，我们的方法在分类准确率方面优于现有的卷积神经网络（CNN）和视觉变换器模型。我们在保持较高分类准确率的同时显著缩短了训练时间。所提出的模型具有可部署性、可扩展性和可复现性，能够在低端设备上使用。此外，该方法通过消除对复杂计算方法和程序的需求，使得构建基于视觉的深度学习模型变得更加容易。所提出的模型以及对比模型均使用了来自两个数据集的组织病理学图像进行训练和评估。实验结果表明，Fused-MirrorNet模型的性能超过了目前用于组织病理学图像分类的最先进模型。在TCGA肾脏数据集和BreakHis数据集中，该模型的准确率分别为92.60%和90.00%。这些发现表明，开发该模型所进行的研究取得了良好的成果。

研究亮点

• 我们提出了Fused-MirrorNet，这是一种用于组织病理学图像分类的轻量级深度学习模型。
• 该模型能够在低端系统上运行，并保持高准确率和可扩展性。
• 在TCGA肾脏数据集上的准确率为92.60%，在BreakHis数据集上的准确率为90.00%。
• Fused-MirrorNet训练速度更快，仅需40个训练周期即可收敛。
• 该模型具有鲁棒性和泛化能力，对不同数据集所需的超参数调整较少。

利益冲突

作者声明没有利益冲突。

数据可用性声明

源代码、数据和训练好的模型详细信息可访问：https://github.com/chanchalnitk/Fused_MirrorNet。