Многомасштабная нейронная сеть для классификации фрагментов гистологических изображений
https://doi.org/10.35596/1729-7648-2025-23-6-103-109
Аннотация
В статье представлена архитектура многомасштабной нейронной сети с несколькими входами, предназначенная для одновременной обработки групп фрагментов гистологических изображений, полученных при различных увеличениях. Предлагаемая модель интегрирует признаки на уровне скрытых слоев, что позволяет эффективно объединять информацию о тканевой структуре на разных масштабах детализации. Экспериментальные результаты показали, что применение трех уровней увеличения по одной стороне фрагмента (98,58; 197,16 и 394,32 мкм) обеспечивает оптимальный баланс между информативностью входных данных и устойчивостью модели. Использование архитектуры позволило повысить среднее значение F1-меры на 5 % по сравнению с одношкальным подходом, достигнув величины 0,8962 ± 0,0508, а в отдельных запусках – 0,9697. Наблюдаемое стандартное отклонение обусловлено не нестабильностью модели, а естественной вариабельностью медицинских данных в ходе формирования обучающих выборок. Полученные результаты подтверждают перспективность многомасштабного анализа для задач цифровой патологии и демонстрируют потенциал предложенного решения в качестве средства автоматизированного выделения подозрительных участков на полнослайдовых изображениях.
Об авторе
А. А. Косарева
Белорусский государственный университет информатики и радиоэлектроники; Объединенный институт проблем информатики Национальной академии наук Беларуси
Беларусь
Беларусь
Косарева Александра Андреевна, ассист. каф. электронной техники и технологии,; мл. науч. сотр.
220013, Минск, ул. П. Бровки, 6
Тел.: +375 17 293-88-60
Список литературы
1. Multi-Scale Feature Fusion Convolutional Neural Network for Indoor Small Target Detection / L. Huang [et al.] // Frontiers in Neurorobotics. 2022. Vol. 16. DOI: 10.3389/fnbot.2022.881021.
2. Liu Wenzhuo. Multi-Scale Unified Network for Image Classification / Liu Wenzhuo, Zhu Fei, Liu ChengLin // arXiv preprint. 2024. Mode of access: https://arxiv.org/abs/2405.12345. Date of access: 09.10.2025.
3. Papillary Thyroid Carcinoma Semantic Segmentation Using Multi-Scale Adaptive Convolutional Network with Dual Decoders / T. Parasporins [et al.] // IEEE Access. 2025. Vol. 13. P. 17340–17353. DOI: 10.1109/ACCESS.2025.3532505.
4. Cell Detection in Pathology and Microscopy Images with Multi-Scale Fully Convolutional Neural Networks / X. Pan [et al.] // World Wide Web. 2018. Vol. 21. P. 1721–1743. DOI: 10.1007/s11280-017-0520-7.
5. Методика формирования базы гистопатологических изображений папиллярного рака щитовидной железы для глубокого обучения / М. В. Фридман [и др.] // Информатика. 2023. Т. 20, №. 2. С. 28–38. DOI: 10.37661/1816-0301-2023-20-2-28-38.
6. Attention Is All You Need / A. Vaswani [et al.] // arXiv preprint. 2017. Mode of access: https://arxiv.org/abs/1706.03762. Date of access: 09.10.2025.
7. Tan, М. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks / M. Tan, Q. V. Le // Proceedings of the 36th International Conference on Machine Learning (ICML 2019), Long Beach, California, USA, 9–15 June 2019. Long Beach, 2019. P. 6105–6114.
8. Multi_input_network-Histologia [Electronic Resource] // GitHub. Mode of access: https://github.com/Ruiu4317/Multi_input_network-Histologia. Date of access: 14.10.2025.
Рецензия
Для цитирования:
Косарева А.А. Многомасштабная нейронная сеть для классификации фрагментов гистологических изображений. Доклады БГУИР. 2025;23(6):103-109. https://doi.org/10.35596/1729-7648-2025-23-6-103-109
For citation:
Kosareva A.A. Multi-Scale Neural Network for Classification of Histological Image Fragments. Doklady BGUIR. 2025;23(6):103-109. (In Russ.) https://doi.org/10.35596/1729-7648-2025-23-6-103-109
Просмотров:
25
Послать статью по эл. почте 