Многомасштабная нейронная сеть для классификации фрагментов гистологических изображений

Abstract

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.