基于CNN与视觉Transformer混合模型的两阶段胶质瘤亚型检测方法

《Scientific Reports》：Two-stage classification of glioma subtypes using a hybrid CNN-ViT model

　　

摘要

胶质瘤由于其侵袭性行为，是最严重的脑肿瘤类型之一。近期，通过分析脑组织全切片图像的脑肿瘤早期自动检测方法取得了进展，使得快速且精确的诊断成为可能。因此，我们提出了一种结合卷积神经网络（CNN）和视觉Transformer（ViT）的混合方法，用于对全切片图像中的组织切片进行深度分析。该混合模型采用两阶段分类策略，以应对高度不平衡的类别分布问题。第一阶段使用二分类器将切片标记为正常或异常。第二阶段使用多标签分类器将异常切片进一步分类为相应的胶质瘤亚型。我们在一个不平衡的测试集上评估了该两阶段混合模型，取得了最高的平衡准确率（95.31%）、宏平均精确率（96.08%）和宏平均F1分数（95.51%）。两阶段分类方法有效解决了类别不平衡问题。此外，结合卷积神经网络与视觉Transformer的混合模型能够捕获更深层次的特征，实现了卓越的性能，并优于当前最先进的