GRU-Net: Gaussian Attention Aided Dense Skip Connection Based MultiResUNet for Breast Histopathology Image Segmentation

要約

乳がんは世界的な健康上の大きな懸念事項です。
病理学者は、病理画像から複雑な特徴を分析するという課題に直面しており、これは時間と労力がかかる作業です。
したがって、早期発見と治療計画のためには、効率的なコンピュータベースの診断ツールが必要です。
この論文では、組織病理学画像セグメンテーション用の MultiResU-Net の修正バージョンを紹介します。これは、複数のスケールで複雑な特徴を分析およびセグメント化し、スキップ接続を介して効果的な特徴フローを確保する機能のバックボーンとして選択されています。
修正バージョンでは、ガウス分布ベースのアテンション モジュール (GdAM) も利用して、組織病理学関連のテキスト情報をガウス分布に組み込んでいます。
ガウス テキスト特徴ガイド付き分布からサンプリングされた特徴は、事前の知識に基づいて特定の空間領域を強調表示します。
最後に、MultiResU-Net のスキップ接続で Controlled Dense Residual Block (CDRB) を使用すると、抽出された空間特徴から導出されたスケーリング パラメーターを使用して、情報が制御された方法でエンコーダー層からデコーダー層に転送されます。
我々は、TNBC と MonuSeg という 2 つの多様な乳がん組織病理画像データセットに対するアプローチを検証し、最先端の方法と比較して優れたセグメンテーション パフォーマンスを実証しました。
私たちが提案するモデルのコードは、https://github.com/AyushRoy2001/GRU-Net で入手できます。

要約(オリジナル)

Breast cancer is a major global health concern. Pathologists face challenges in analyzing complex features from pathological images, which is a time-consuming and labor-intensive task. Therefore, efficient computer-based diagnostic tools are needed for early detection and treatment planning. This paper presents a modified version of MultiResU-Net for histopathology image segmentation, which is selected as the backbone for its ability to analyze and segment complex features at multiple scales and ensure effective feature flow via skip connections. The modified version also utilizes the Gaussian distribution-based Attention Module (GdAM) to incorporate histopathology-relevant text information in a Gaussian distribution. The sampled features from the Gaussian text feature-guided distribution highlight specific spatial regions based on prior knowledge. Finally, using the Controlled Dense Residual Block (CDRB) on skip connections of MultiResU-Net, the information is transferred from the encoder layers to the decoder layers in a controlled manner using a scaling parameter derived from the extracted spatial features. We validate our approach on two diverse breast cancer histopathology image datasets: TNBC and MonuSeg, demonstrating superior segmentation performance compared to state-of-the-art methods. The code for our proposed model is available on https://github.com/AyushRoy2001/GRU-Net.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google