NECScanNet:小说颈神经内分泌癌症筛查方法从整张图像

文摘

作为一种罕见的恶性肿瘤,宫颈神经内分泌癌(NEC)在诊断是困难的甚至有经验的病理学家。计算机辅助诊断可能有利于提高诊断准确性。然而,计算机辅助病理诊断面临巨大的挑战,hundred-million-pixels甚至gig-pixels整个幻灯片图片(WSIs)不能直接应用现有的深卷积网络训练和分析。因此,建设一个神经网络实现的自动筛选颈NEC是挑战;与此同时,据我们所知,人们却很少关注这一领域。为了解决这个问题,我们提出一个自动识别的多实例学习方法宫颈病理WSI公司NEC,由滑动探测器模块和病变分析仪模块。病理WSI数据集,由NEC 84例和216例NEC-free病例病理部门的中国西部第二大学医院,应用于评价方法的性能。实验结果表明,召回率、准确率,和精确率的自动识别方法是92.9%,92.7%,和83.0%,分别展示了有效性和潜在的临床实践。这种方法在计算机辅助病理诊断的应用有望减少误诊以及罕见的错误诊断宫颈NEC,,因此,提高宫颈癌的治疗效果。

1。介绍

颈神经内分泌癌(NEC)是一种罕见的恶性肿瘤,占只有2%的宫颈癌(1]。NEC的病人通常是诊断年龄比女性与其他常见的宫颈癌和更高的频率在亚洲女性1,2]。颈NEC更高程度的恶性肿瘤,早期远处转移,预后差相对于其他宫颈癌(2]。由于罕见,没有标准的治疗方案;然而,事实证明,普通治疗策略的应用对宫颈鳞状细胞癌和腺癌导致极其总体存活率低于两种常见类型的宫颈癌(2,3]。相比之下,肺小细胞癌的治疗方案可能在颈NEC(有更好的疗效3]。在此,NEC的精确诊断对病人的利益至关重要。然而,临床症状,包括阴道出血,骨盆质量,阴道出血,腹部疼痛,和颈NEC的放射成像特性都不地道,病理诊断,这是它的黄金标准,是困难即使对经验丰富的病理学家,因为NEC的形态是多样的,而且它经常与其他宫颈癌共存,因此,NEC病变可能被其他病变,导致误诊的可能性非常高,错误的诊断3- - - - - -5]。

目前,深度学习被认为是医学领域的一个有效的工具,特别是在医学图像分析(6,7]。近年来,随着缩微照相术和全滑动扫描技术的发展,病态的幻灯片可以保存在数字图像的形式,和计算机辅助诊断系统的基础上,深度学习方法被引入到病态的领域(7),证明其优势在损伤检测(8,9和预后分析10,11]。深卷积神经网络(CNN),代表深度学习方法能够自动提取图像特征,取得了巨大的成功在计算机视觉领域的技术(12,13),预计将有更高的性能领域的计算机辅助诊断,提高诊断的准确性和效率(14,15]。然而,由于病理整张图片的尺寸(WSIs),不能直接应用在WSIs大多数CNN情态动词(16,17),或所需的计算和内存空间将超过主流GPU硬件出现阶段的能力。与此同时,随着图像详细和复杂的特性,pixel-reduced预处理可能导致失去意义的细节在细胞水平。因此,在本文中,我们的目标是利用计算机辅助诊断方法的病理诊断宫颈NEC WSIs的基础上。

本文的其余部分组织如下。相关的医学背景和计算机技术在部分参与本研究进行了综述2。节3,我们提出的方法研究。我们目前的实验和结果部分4。部分5是结论。

2。相关工作

在本节中,相关的医学背景和计算机技术参与我们的研究,包括基于深度学习的计算机辅助诊断方法和多实例学习技术。

2.1。通过深入学习计算机辅助诊断方法

计算机辅助诊断(CAD)被定义为一个特定的计算模型的疾病可以自动定位和分类病变,甚至更多,分析相应的疾病的预后(18]。理想的CAD系统能够精确的智能分析的医学图像,为医生提供参考,帮助诊断和治疗,同时,改善临床实践的有效性和准确性。由深度学习算法的不断发展和图形处理单元(GPU),计算机辅助设计也进入了一个新的研究阶段。近年来,深度学习技术已经应用于多个领域,涉及到CAD系统,专注于医学图像分析计算机断层扫描(CT) (19,20.),磁共振成像(MRI) (21,22),x射线(23),超声检查(24),内窥镜(25),和病态的幻灯片26- - - - - -29日]。

2.2。神经内分泌癌宫颈

NEC的宫颈是一种罕见的恶性肿瘤。虽然这种肿瘤的发病率较低,容易发生淋巴和造血的转移的早期阶段,及其预后显著比同期宫颈鳞状细胞癌和腺癌(30.]。NEC病人的预后因素尚未确定,但大多数研究表明,NEC患者的影响预后的主要因素包括临床分期、肿瘤大小、淋巴结转移,和治疗的功效;因此,早期准确诊断宫颈NEC是非常重要的改善预后[31日]。然而,NEC的误诊率是相当高的病理学家(即使是专家31日),提高计算机辅助病理诊断是否可能有助于提高诊断的准确性(31日]。然而,NEC病变的自动检测电脑WSI相当挑战性由于非常小的数据量和精确的不可用带安全标签的数据时由于肿瘤的低流行率和劳动消耗巨大的人工注释。

2.3。多实例学习

多实例学习(MIL)是一种弱监督学习,建立一个多实例分类器的学习词袋分类标签和分类器适用于预测未知词袋(32,33]。MIL已应用于病理领域WSI分析(28,34]。在这个研究中,我们利用MIL算法实现二进制分类在WSIs (NEC和NEC-free)。WSIs的细节,NEC的病人由NEC补丁和NEC-free补丁,而NEC-free WSIs的病人仅仅由NEC-free补丁。假设,至少有一个图像块用积极(NEC)标签相对应的包袋中的WSIs的NEC患者但没有对应的WSIs NEC-free病人;在此,我们可以认为NEC和NEC-free病人是积极的和消极的袋和NEC和NEC-free补丁是积极的和消极的情况下,分别。因此,上述二元分类可以解释为MIL算法;二进制分类MIL演示图1。

3所示。材料和方法

3.1。NEC数据集和系统设置

NEC数据集收集来自中国西部第二大学医院,四川大学。84年的数据集是由NEC病例和216例NEC-free病例从2008年到2016年。所涉及的所有案例研究综述了由两个有经验的病理学家在双盲方法证实了诊断。根据世界卫生组织(世卫组织)女性生殖器肿瘤分类标准,颈神经内分泌癌分为低品位和优质组。前者包含类癌和非典型类癌癌,而后者包含小细胞和大细胞神经内分泌癌。在我们组,76例(90.24%)小细胞神经内分泌癌,大细胞神经内分泌癌8例(9.76%),并没有发现类癌癌。典型的病例和比例的图中演示了每个类别2。

手术患者的标本被中性10%福尔马林固定,常规脱水,石蜡包埋,4厚串行部分和hematoxylin-eosin(圆))染色进行定期获得病理)幻灯片。这些幻灯片被扫描的放大20 x 由Motic®EasyScan系统(Motic电气集团有限公司)实现高质量的WSIs。

3.2。该方法

NEC筛查网络的实现过程,名叫NECScanNet,基于多实例深入学习方法如下:在第一步中,WSI图像预处理去除空白背景区域和干扰区域,所以染色组织区域。然后,从染色检测到可疑的区域组织领域,其次是预测情况下标签的类别概率根据疑似癌症的特征区域。在一个给定的细节,WSI公司形象,概率预测相应的案例属于NEC类别如下: 在这 在哪里 和 代表NEC和NEC-free类别的概率标签。NECScanNet展示在图的结构3,这是由一名叫滑动的滑动窗口检测模块探测器(左侧的图3)和一个lesion-analyzed模块命名病变分析仪(右侧的图3)。

(1)滑动探测器模块。 ;网络的结构如图4由两个澄清网络,RESNET-50 RESNET-INCEPTION-V2。在滑动探测器模块中,图像块(值范围5 - 20,默认值10)最高的可能性从染色组织检测到肿瘤区域面积的滑动窗口抽样方法,在其中代表可训练的参数的组群,图像块的特征向量映射到类别标签图像块的概率。

(2)病变分析仪模块。 ,这是一个多实例卷积网络,其结构显示在图吗5。网络可以预测类别标签癌疑似病例的特征区域检测到滑动探测器基于多实例深度学习方法,性格表示一组群可训练的参数。

3.2.1之上。滑动器模块

网络的结构如图4,它可以完成检测疑似肿瘤图像块的预处理染色组织区域。

滑动探测器模块的工作过程如下:首先,从获得的图像块染色组织区域的重叠策略。然后,每个图像块的预测类别标签,然后K图像块的可能性最高的肿瘤区域然后输出。在这个过程中,预测的图像块,两个网络,重量轻分类网络(LCN)和重量分类网络(HCN),同时用于预测的图像块,为了促进功能学习能力和改善预测性能,同时考虑低阶和高阶特征的图像。在这个实验中,我们使用RESNET-50模型HCN LCN和RESNET-INCEPTION-v2模型。模块的确定规则的疑似肿瘤显示了图像块的可能性 在这 代表了信心图像块的肿瘤分类识别的网络不低于阈值_, 代表了信心的没有。我肿瘤分类识别的图像块HCN网络不少于 ,而代表的选择图像块对应值最高(3)。

3.2.2。病变分析仪模块

病变的结构分析仪模块是显示在图5。在这个模块中,WSI图像的分类预测关注疑似肿瘤补丁通过多实例深度学习方法,和分类标签包括NEC和NEC-free。

病变分析仪的预测过程如下:对于每一个疑似肿瘤块,采用统一的阻断策略首先获得瓷砖图像集 ,然后图像块输入相应的特征提取网络特征提取和紧随其后的是聚合功能,在此基础上预测WSI图像的分类标签完成。在这个模块中,米特征提取的网络应用特征提取的图像块,网络的数量(米)是一样的图像块的数量,为了留住一丝不苟的识别能力和细节特征,,同时,考虑到疑似肿瘤补丁的总体特征。在实验中,改进RESNET-50模块适用于特征提取,以及网络结构显示在图6。

WSI图像的类别确定方法损伤分析仪模块演示

代表第一个最大值(4),表示怀疑肿瘤块的信心 , 代表了公式的总和 ,和代表了阈值的信心。

4所示。实验和结果

4.1。实验设置

NECScanNet,滑动探测器模块和病变分析仪模块需要单独训练。从WSIs提取的图像补丁和512×512像素(×40放大)应用于滑动探测器模块的培训,而培训的lesion-analyzed模块,图像块提取WSIs(×200放大)与应用512×512像素。如果有一个缺陷在某种类型的图像,增强执行的数据在90°旋转图像补丁180°和270°。

执行三个方面验证实验,200年WSIs(包括144 NEC-free和56 NEC WSIs)作为训练集应用于每一次,和100年WSIs(包括72 NEC-free和NEC WSIs 28日)应用的默认值作为测试集这是可疑病灶区域的数量设置为10,阈值和信心LCN网络将0.5和阈值一样的信心对HCN网络。在病变分析仪模块 ,的价值6代表第一个6最大值,阈值和信心设置为0.7。上述所有网络参数由亚当可以优化算法(29日),自适应学习速率为0.0001和超级参数设置β1 0.9和β2的0.9999。

在实验期间,服务器的硬件配置如下:四24 GB巨头RTX (GPU),英特尔至强银4114 (CPU), 125 GB的内存。

4.2。NEC筛选实验

为了比较上面的方法和病理学家的性能,包括评价指标精度,精度,和回忆(35应用,是由(5)- (7)。这三个指标的范围,TP、TN、FN,都是[0,1]。值越高,模块的性能越好。TP代表真阳性样本,TN代表真正的负样本,《外交政策》代表了假阳性样本,FN代表了假阴性样品。

在(5),精度代表的正确分类率在所有分类样本(正样本P和消极的样品N)。

在(6),精度代表阳性样本的比例TP分类正确的模块全部分类样本(TP阳性+《外交政策》)。

在(7),回忆代表积极的TP正确分类样本的比例模型的所有积极的样品(TP + FN)。

表1给了NEC和NEC-free决策的结果该方法和诊断病理学家。第一列显示类型的方法,P-J1和P-J2代表由两个初级诊断病理学家;P-S1和P-S2代表诊断由两位病理学家;SD-LA-1表示方法在本文中没有空白区域的排斥和干扰区域的预处理;SD-LA-2代表建议的方法但是没有怀疑肿瘤区域的滑动探测器模块;和SD-LA-3代表整个过程的方法。 在表1平均值和标准偏差(性病)各种指标由三倍交叉验证(36]。

显示在表1,整个过程方法的摘要SD-LA-3大约有一个性能接近两位病理学家(评价的指标包括均值和均方的差异精度,精度,和回忆获得的三倍交叉验证实验),优于初级病理学家的性能。特别是,它已经被结果证实,SD-LA-3 SD-LA-1和SD-LA-2性能优越,为预处理的必要性提供实验证据(删除空白区域和干扰区域)步骤和可疑肿瘤区域建议通过滑动探测器模块。

4.3。表现的比较NEC筛查NECScanNet和病理学家

的深入和直观显示NEC筛选性能,我们比较和分析NEC筛查结果的方法,初级病理学家和病理学家高级数据所示7和8。

图7显示的性能的比较初级的病理学家(P-J1 P-J2),资深病理学家(P-S1 P-S2),该方法(SD-LA-3)验证了三倍交叉验证。图中的矩形的高度代表这组的平均值。它可以注意到回忆,该方法的准确性和精确度比初级SD-LA-3都优越病理学家(P-J1 P-J2)和接近高级病理学家(P-S1 P-S2)。

图8演示了召回的均方偏差、准确性和精度的方法和病理学家在NEC的筛选,证明性能的稳定性。图中很明显的均方偏差三个索引方法(SD-LA-3)都远低于初级病理学家(P-J1 P-J2)和略低于高级病理学家(P-S1 P-S2),表明了该方法的稳定性在NEC筛查是略优于资深病理学家和显然比初级病理学家优越。

4.4。烧蚀研究

额外的消融进行研究来验证我们的设计选择,结果中演示了数据9和10。特别,为了验证所涉及的每一个中间步骤的必要性和有效性提出方法,NEC筛查也由SD-LA-1代表该方法没有预处理的步骤为空白和干扰地区除外,SD-LA-2代表该方法没有滑动探测器模块的步骤,及其性能分析三个方面验证与SD-LA-3代表该方法的整个过程和结果中演示了数据9和10。

可以看出,召回的平均值,准确度和精确度SD-LA-3都明显高于SD-LA-1和SD-LA-2(图10),而这三个指标的均方偏差SD-LA-3(图10 (c))明显低于SD-LA-1(图10 ())和SD-LA-2(图10 (b))。结果表明预处理(删除空白和干扰区域)和滑动探测器模块(检测可疑病灶区域)不能促进召回,准确性,和该方法的精度在NEC筛查也提高性能的稳定性,提供证据的必要性两个中间步骤。

4.5。筛查结果的一些典型病例

WSIs对应六个病例的预后分析结果如表所示2,第一列显示)染色病理WSIs的这些情况下,第二列显示了真正的地位的情况下(NEC / NEC-free)的诊断四个病理学家(两个初级病理学家和两个资深病理学家)演示了从第三列第六列。第七列显示该方法的诊断。从表可以看出1和2在实验条件下,描述的部分4.1,该方法提出了更高精度和回忆比初级病理学家和病理学家高级性能近似。上面的结论证明了该方法的有效性在NEC的智能诊断。

5。结论

在本文中,一个新的多实例深模型应用于检测宫颈病理WSIs NEC,为了协助病理诊断。通过这种方法,可以直接应用和分析病理WSIs主流计算机视觉模型没有减少图像像素;病变的同时,结合滑动探测器模块和分析模块成功地解决了问题,NEC检测在WSIs的性能模型演示了一个潜力巨大的计算机辅助诊断宫颈NEC值得进一步调查的实际诊断现场验证其价值。应用程序的计算机辅助诊断罕见恶性肿瘤突出医学专家之间的合作的重要性和计算机科学家和人工智能在医学领域的广阔前景与复杂疾病的病理诊断帮助。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称他们没有竞争的经济利益或个人关系可能出现影响工作报告。

作者的贡献

概念是由鑫廖;方法是由鑫廖和鑫郑;验证是由秦黄;正式的分析是由秦黄;数据管理是由鑫廖和秦黄;最初的草案是由鑫廖和鑫郑;写评论和编辑是由鑫廖和秦黄;资金被鑫廖收购。所有作者已阅读及同意发布版本的手稿。

确认

本研究支持的研究专家知识库基于大数据的自动诊断宫颈病变深度学习(2017 lf3008)。这项研究得到了从四川省重点实验室开放基金资助。

引用

1. b·约瑟夫·m·Chi, a . m . Truskinovsky a z .杜德克,“大细胞神经内分泌癌宫颈,”罕见的肿瘤,4卷,不。1,58-60,2012页。视图:出版商的网站|谷歌学术搜索
2. j·k·c·陈,w . m . s .崔,s . y .东和r·c·t·Ching”子宫颈癌的内分泌细胞增生:宫颈神经内分泌癌的前兆吗?”美国临床病理学杂志》上,卷92,不。6,825 - 830年,1989页。视图:出版商的网站|谷歌学术搜索
3. c . Gilks r .年轻,d . Gersell p·克莱门特,“大细胞神经内分泌(纠正)子宫颈癌的癌:12例的临床病理的研究,“美国外科病理学杂志》上,21卷,不。8,905 - 914年,1997页。视图:出版商的网站|谷歌学术搜索
4. m . h .偷走了美国e·米尔斯,d . j . Gersell和a·n·沃克,“子宫颈小细胞神经内分泌癌,”美国外科病理学杂志》上,15卷,不。1,28-32,1991页。视图:出版商的网站|谷歌学术搜索
5. b·a·马戈利斯j·d·莱特·l·陈,j . y .侯ai背叛,和w·m·伯克“神经内分泌癌宫颈:穷人生存尽管积极的治疗阶段,“妇科肿瘤,第141卷,第84页,2016年。视图:出版商的网站|谷歌学术搜索
6. s .王桂萍e . Krieghoff-Henning j·n·et al .,“胃肠癌症从组织学分类和预测使用深度学习:系统回顾,“欧洲癌症杂志卷,155年,第215 - 200页,2021年。视图:出版商的网站|谷歌学术搜索
7. y侯”,乳腺癌病理图像分类基于深度学习,”x光科学与技术杂志》上,28卷,不。4、727 - 738年,2020页。视图:出版商的网站|谷歌学术搜索
8. 张,z .元,y, y呗,b . Chen和h . Wang”REUR:一个统一的深印戒细胞检测框架在低分辨率的病理图像,”计算机在生物学和医学文章ID 104711卷,136年,2021年。视图:出版商的网站|谷歌学术搜索
9. l . l . Wang叮,z刘et al .,“自动识别张幻灯片的恶性肿瘤病理图片:识别单张眼睑恶性黑色素瘤的病理幻灯片使用深度学习,”英国眼科学杂志的,卷104,不。3、318 - 323年,2020页。视图:出版商的网站|谷歌学术搜索
10. 黄懿慧瞿,h·t·朱k .曹x t·李·m·你们和y s .太阳,“病理完全缓解的预测使用深度学习在乳腺癌新辅助化疗(DL)方法,”胸癌,11卷,不。3、651 - 658年,2020页。视图:出版商的网站|谷歌学术搜索
11. f . Zhang l . z中x赵,d .董和h,“deep-learning-based预后诺模图集成显微数字病理和宏观磁共振图像在鼻咽癌:multi-cohort的一项研究中,“医学肿瘤学治疗的进步,12卷,2020年。视图:出版商的网站|谷歌学术搜索
12. ,的j。施密德胡贝尔表示“深度学习神经网络:概述”,神经网络卷,61年,第117 - 85页,2015年。视图:出版商的网站|谷歌学术搜索
13. z妞妞,g .钟和h . Yu”回顾深度学习的注意力机制,“Neurocomputing卷。452年,48 - 62年,2021页。视图:出版商的网站|谷歌学术搜索
14. 大肠Sudheer Kumar和c Shoba宾度”,使用深度学习:医学图像分析系统的文献综述,”《新兴技术在计算机工程:Microservices大数据分析斋浦尔,页81 - 97年,印度,2019年2月。视图:出版商的网站|谷歌学术搜索
15. 范x l .沈,美国应et al .,“参数传递深层神经网络single-modal表ultrasound-based计算机辅助诊断,”认知计算,12卷,不。7,1-13,2020页。视图:出版商的网站|谷歌学术搜索
16. h·h·n·范教授m . Futakuchi a . Bychkov k .黑田,福冈和j·t·Furukawa先生”检测肺癌的淋巴结转移整场幻灯片病理图像使用两步深度学习方法,“美国病理学杂志》,卷189,不。12日,第2439 - 2428页,2019年。视图:出版商的网站|谷歌学术搜索
17. g .康巴内拉,m·g·汉娜l . Geneslaw et al .,“Clinical-grade计算使用弱监督整个幻灯片上深度学习病理图像,”自然医学,25卷,不。8,1301 - 1309年,2019页。视图:出版商的网站|谷歌学术搜索
18. p·梅赫塔·m·安东内利h·艾哈迈德,m .的恩波顿s Punwani和s Ourselin”使用multiparametric计算机辅助诊断前列腺癌的MRI及临床特点:患者的立场分类框架,“医学图像分析文章ID 102153卷,73年,2021年。视图:出版商的网站|谷歌学术搜索
19. h·卢”,计算机辅助诊断肺肿瘤的研究基于卷积神经网络和全球的特性,“生物医学研究的国际卷,2021篇文章ID 5513746, 12页,2021。视图:出版商的网站|谷歌学术搜索
20. A . Saygili“计算机辅助检测冠状病毒的新方法(COVID-19) CT和x射线图像使用机器学习的方法,”应用软计算文章ID 107323卷,105年,2021年。视图:谷歌学术搜索
21. g . Lemaitre r·马蒂j . Freixenet j . c . Vilanova p·m·沃克和f . Meriaudeau“计算机辅助检测和诊断前列腺癌基于mono和不确定型MRI:复习一下,”计算机在生物学和医学,60卷,8-31,2015页。视图:出版商的网站|谷歌学术搜索
22. r . s . Alomari j。j·科索,诉Chaudhary和g . Dhillon“计算机辅助诊断腰椎椎间盘病理临床降低脊柱MRI,”国际计算机辅助放射学杂志和手术,5卷,不。3、287 - 293年,2010页。视图:出版商的网站|谷歌学术搜索
23. m . Al-Antari c·h·华j .爆炸和s·李,“快速深度学习计算机辅助诊断COVID-19基于数字胸部x光图像,”应用智能》第六卷,队,2020页。视图:出版商的网站|谷歌学术搜索
24. c .楚j .郑,y周“甲状腺结节超声检测方法基于U-Net网络,”计算机在生物医学方法和项目文章ID 105906卷,199年,2020年。视图:谷歌学术搜索
25. m·朱、陈z和y元,“DSI-net:深度协同交互网络与内窥镜联合分类和分割图像,”IEEE医学成像5卷,1 - 11,2021页。视图:出版商的网站|谷歌学术搜索
26. r .萨勃拉曼尼亚s Guptha r . Devika Rubi, a·克里希纳Kasavaraju和s . Jain,“自动分类在乳腺癌前哨淋巴结(SLN)转移整个幻灯片图像(WSI)通过densenet深入学习网络,”IP诊断病理学和肿瘤学杂志》上,5卷,不。2、144 - 150年,2020页。视图:出版商的网站|谷歌学术搜索
27. a Pc,洛杉矶Yun, a . x, y . a .林和Pg,“自动整个幻灯片病理图像诊断框架通过单元随机选择和融合的关注,“Neurocomputing卷,453年,第325 - 312页,2021年。视图:谷歌学术搜索
28. 朱j .姚明,x, j . Jonnagaddala n .霍金斯和j .黄”整个幻灯片图像为基础的癌症生存预测使用注意力引导深多个实例学习网络,”医学图像分析文章ID 101789卷,65年,2020年。视图:出版商的网站|谷歌学术搜索
29. y, y, y元,j .郑,z . Zhongxi”检测幽门螺杆菌在整个幻灯片图像通过弱监督多任务学习,”多媒体工具和应用程序,卷79,不。35-36,26787 - 26815年,2020页。视图:出版商的网站|谷歌学术搜索
30. p . Teefey b·奥尔·m·沃格特和w·罗伯茨,“神经内分泌癌宫颈妊娠期间:病例报告,“妇科肿瘤病例报告,卷2,不。3、73 - 74年,2012页。视图:出版商的网站|谷歌学术搜索
31. c . Baykal a . Al g . Tulunay et Al .,“高档神经内分泌癌宫颈,”妇科和产科的调查卷,59号4、207 - 211年,2005页。视图:出版商的网站|谷歌学术搜索
32. 李问:Bi, k .秦z h·张,k .徐和g S夏,“空中场景分类,多实例紧密连接事先”IEEE图像处理:IEEE信号处理学会的出版物,29卷,第4925 - 4911页,2020年。视图:出版商的网站|谷歌学术搜索
33. z h·杨,l . Chen程et al .,“深上优于six-type从组织病理学分类器对肺癌和模仿整个幻灯片图片:一项回顾性研究中,“BMC医学,19卷,不。1,p。80年,2021。视图:出版商的网站|谷歌学术搜索
34. t . Vu p .赖r·赖斯A .范教授和美国A . Rao“新奇属性的对称多实例学习组织病理学图像分析,“IEEE医学成像,39卷,p。2020。视图:出版商的网站|谷歌学术搜索
35. j·t·汤森,“排错:字母混淆矩阵的理论分析,“知觉和心理物理学,10卷,不。4 p。256年,1971年。视图:出版商的网站|谷歌学术搜索
36. b·埃夫隆”,估计预测错误率的规则:改进交叉验证,”美国统计协会杂志》上,卷78,不。382年,第331 - 316页,1983年。视图:出版商的网站|谷歌学术搜索

版权

版权©2021年鑫廖等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。