病理画像セグメンテーションのためのサンプル再重量複合ネットワークを組み合わせたマルチプレックス集積

科学分野:

• デジタル病理学
• 医学画像分析
• コンピュータ・ビジョン

背景:

• 核のセグメンテーションは病理的な画像分析に不可欠であり,診断と研究に影響を与えます.
• 既存の方法は,曖昧な境界,ドメインシフト,不均等な核分布などの課題に直面しています.
• これらの障害は,正確で信頼性の高い病理的な画像セグメンテーションを妨げます.

研究 の 目的:

• デジタル病理学における堅固なコアセグメンテーションのための革新的なネットワーク"CDNet"を提案する.
• 現在のセグメント化技術の限界に対処し,精度と一般化を向上させる.
• よりよい診断と研究結果を出すために,病理画像分析を改善する.

主な方法:

• 境界が明確になるために,多様化された集積コンボリューション (DAC) を含むCDNetを導入した.
• 領域間の一般化のための因果推論モジュール (CIM) を統合した.
• 不均等な核分布に対応する 安定加重組合せ損失関数を開発した.

主要な成果:

• CDNetは,MoNuSeg,GLySAC,およびMoNuSACのデータセットで優れたパフォーマンスを示しました.
• ユニオン (mIoU) とダイズ類似系数 (DSC) の平均の改善を達成しました.
• 多様な病理画像データセットに強い汎用性を示した.

結論:

• CDNetは,デジタル病理学のコアセグメンテーションの主要な課題を効果的に克服しています.
• 提案されたDAC,CIM,および損失関数は,セグメンテーションの精度と堅実性を向上させます.
• CDNetは病理学的画像分析と臨床アプリケーションの有望な進歩を提供します.