In dieser Arbeit wird ein neues Netzwerk zur Detektion von Darmkrebs (CCDNet) vorgestellt, das Atrous Convolution mit Coordinate Attention Transformer (AConvCAT) in Kombination mit histopathologischen Bildern verwendet. Die Verarbeitung von Geweben bildet eine wichtige Voraussetzung zur Reduzierung verschiedener Arten von Rauschen. Das vorgeschlagene CCDNet verwendet zunächst eine Rauschunterdrückungsmethode, die auf dem Wiener-basierten Mittelpunkt-gewichteten Nicht-Ortsmittelwerten (WMW-NLM) basiert, um die Eingangsbilder zu den Rauschbildern zu denoise aufgebens. Die Verarbeitung und Datenagmentation sind entscheidend für die Kategorisierung von kolorektalen Geweben.
Der Goldstandard für die Diagnose von Krebs ist derzeit die histopathologische Bildanalyse. Um Bildmerkmale zu erhalten und genaue Diagnosen zu garantieren, wird ein neuer Wiener-basierter Mittelpunkt-gewichteter Nicht-Ortsmittelwertfilter (WMW-NLM) vorgestellt. Zusätzliche Daten werden von den Deep Learning-Modellen benötigt, um Überanpassungsprobleme zu vermeiden, wodurch die Netzgeneralisierungsleistung verbessert wird. Datenagmentation wird verwendet, um die Widerstandsfähigkeit des Netzwerks gegen Datenfluktuationen zu erhöhen.
Die vorgeschlagene Methode für die Rauschunterdrückung basiert auf dem Wiener-Filter. Midpoint-Gewichte sind entscheidend bei der Anwendung des Nicht-Ortsmittelwerts. Der Wiener-basierte MW-Wert wird berechnet, um Bilder von höherer Qualität als andere Mittelwerkzeuge zu erzielen. Ein neues Netzwerk (AConvCAT) wird vorgeschlagen, um die Kolorektalgewebe zu klassifizieren, wobei Atrous Convolution und Coordinate Attention Transformer verwendet werden. Die Struktur besteht aus mehreren Modulen, die zusammenarbeiten, um verschiedene Bereiche des histopathologischen Bildes zu erfassen.
Durch die Nutzung von Atrous Convolution und dem Coordinate Attention Transformer können lokale und globale Merkmale erfasst werden, die es ermöglichen, Merkmale zu sammeln. Die Module MAConv, CA-PDU, Swin Transformer und Klassifizierung sind entscheidend für die Vorhersage von kolorektalen Gewebeklassen. Durch die Kombination dieser Module können histopathologische Bilder präzise analysiert und diagnostiziert werden. Die Verwendung von Convolutional Neural Networks in Verbindung mit der aufmerksamkeitsgesteuerten Koordinationsfunktion ermöglicht eine effiziente Erkennung und Klassifizierung von kolorektalen Geweben.