融合卷积三重注意力与病理引导投票机制的DeepLabV3+模型在卵巢癌高光谱图像分割中的创新应用

为解决高光谱图像(HSI)在卵巢癌组织分割中的维度挑战，研究人员创新性地将卷积三重注意力模块(CTAM)与病理引导投票机制(HVM)整合至DeepLabV3+框架。该模型成功实现低/高级别浆液性卵巢癌(LGSC/HGSC)的精准区分，分类准确率达92.7%/90.2%，显著超越病理学家共识(85.4%)及现有模型(如U-Net)20%以上，为癌症数字化诊断提供新范式。

　　

深度学习技术正在革新医学图像分析领域。针对基线DeepLabV3+模型处理高光谱数据时存在的维度局限性，这项研究构建了突破性的混合架构：通过卷积三重注意力模块(Convolutional Triplet Attention Module, CTAM)捕捉光谱-空间跨维度特征依赖，同时引入基于世界卫生组织(WHO)诊断标准的病理引导投票机制(Histopathology-Guided Voting Mechanism, HVM)。实验数据表明，该模型对浆液性卵巢癌组织亚型的分割性能显著提升——低级别(LGSC)和高级别(HGSC)分类准确率分别达到92.7%和90.2%，不仅超越临床病理学家共识水平(85.4%)，更以超过20%的优势碾压U-Net、特征金字塔网络(FPN)等前沿模型。这项技术突破为癌症组织定量分析建立了新的金标准。