Mitotic Image Classification in Glioma Using Attention-Enhanced Convolutional Neural Networks

Abstract

Mitotic-figure detection in glioma histopathology is vital and challenging due to var- ied cell appearances and preparation. We test eight attention modules on ResNet18 and MobileNetV3 and use GradCAM on Glioma-MDC 2025. The ResNet18 OutlookAtten- tion model leads with mean F� = 0.93 ± 0.005. We propose a "guided-attention" variant that fuses each image with its binary ROI mask without added complexity. Benchmarked against OMG-net (0.94), MitosResCNN (0.96), and ConvNeXtV2 Tiny (0.99), our guided ResNet18 still reaches F� = 0.90 efficiently, demonstrating mask guidance as a fast atten- tion complement while GradCAM shows tighter alignment to annotated mitoses.

Detekce mitotických buněk v gliomové histopatologii je nezbytná, avšak náročná kvůli velké variabilitě vzhledu buněk a přípravy vzorků. Porovnáváme osm attention modulů na ResNet18 a MobileNetV3 backbones a využíváme GradCAM na datasetu Glioma-MDC 2025. Model ResNet18 s OutlookAttention vede s průměrným F1 = 0,93 ± 0,005. Před- stavujeme variantu "guided-attention", která fúzuje každý input obrázek s jeho binární ROI maskou při zachování velikosti a rychlosti. Na benchmarku vůči OMG-net (0,94), MitosResCNN (0,96) a ConvNeXtV2 Tiny (0,99) náš guided ResNet18 stále efektivně do- sahuje F1 = 0,90, což demonstruje mask guidance jako rychlý a lehký attention doplněk, navíc GradCAM poukazuje na těsnější sladění se ROI maskou vstupního obrázku.