基于频率感知多标签学习的宫颈癌全切片图像自动筛查方法FMCerNet

《Bioinformatics》：FMCerNet: Frequency-Aware Multi-Label Learning for Fine-Grained Cervical Cytology Screening

　　

摘要

研究动机

自动化细胞学筛查对于宫颈癌早期预防至关重要，其中千兆像素的全切片图像（WSI）通常被划分为切片块，以便进行切片块级别特征提取，随后进行 WS I 级别诊断聚合。然而，现有的切片块级别方法仍受限于有限的输入尺寸，这经常导致稀疏且形态细微的异常细胞被掩盖。此外，这些方法通常将切片块级别表示学习制定为粗略的单标签分类任务，从而无法捕捉宫颈细胞学异常的复杂共现模式和形态异质性。

结果

我们提出了频率感知多标签学习网络（FMCerNet），这是一种切片块级别特征提取器，配备了大视野频率增强 ViT（LFreq-ViT）主干和从粗到细多标签分类（C2F）头。前者整合了双树复小波变换模块，以高效地从大规模切片块中提取频域特征，而后者通过层次化监督增强了细粒度切片块表示解码。在公共和私有数据集上的实验表明，FMCerNet 提高了阳性筛查和细粒度亚型分类的准确率，同时保持了高推理速度。

可用性与实现

代码位于 https://github.com/imAzhou/FMCerNet 并存档于 Zenodo (doi:10.5281/zenodo.22886105)。

补充信息

补充文件可与手稿一同获取。