基于伪包策略和特征调整的病理图像分类模型

摘要

目的：提出一种基于伪包策略和特征调整的病理全切片图像分类模型。方法：首先，构建伪包生成器，将父包划分为3个伪包，以增加训练包的数量。然后，利用基于Nystr?m近似自注意力的伪包学习方法和选择性特征融合方法处理伪包：基于Nystr?m近似自注意力的伪包学习方法通过改进的多头自注意力机制来降低计算复杂度，同时深度挖掘示例特征并得出伪包分类预测值，提升伪包分类准确性；选择性特征融合方法通过筛选和提炼伪包内的示例，获取伪包特征。最后，采用提取干扰因子的方法对包特征进行调整，避免无关信息干扰，进一步提升分类的准确率。结果：在两个数据集CAMELYON-16和TCGA-NSCLC上评估提出的模型，并与其他10种方法分析比较，结果显示本文模型性能最优。在准确率方面，所提方法在CAMELYON-16和TCGA-NSCLC数据集上分别达到0.943和0.906。结论：本文模型能缓解过拟合问题，避免无关信息的干扰，显著提升病理全切片图像分类准确率。

关键词

病理全切片图像 / 伪包策略 / 选择性特征融合方法 / 干扰因子 / 分类准确率