CW-NET用于多类型细胞检测和分类,用于骨髓检查和线粒体图检查
Ching-Wei Wang1,2, Sheng-Chuan Huang3,4,5, Muhammad-Adil Khalil2
1Graduate Institute of Biomedical Engineering, National Taiwan University of Science and Technology, Taipei City, 106335, Taiwan.
Bioinformatics (Oxford, England)
|May 30, 2023
概括
这项研究介绍了CW-Net,这是一个自动化系统,用于从整个幻灯片图像中检查骨髓和线粒体图像. CW-Net克服了手动分析的挑战,为血液学疾病诊断和癌症评估提供了强大的和可泛化的性能.
科学领域:
- 数字病理学数字病理学
- 计算性血液学是一种计算性血液学.
- 医学中的人工智能.
背景情况:
- 骨髓 (BM) 检查对于诊断血液学疾病至关重要,通常需要手动显微镜.
- 线性图形检测对于癌症诊断,分级和预测治疗结果至关重要.
- 目前的手工方法面临诸多挑战,包括细胞多样性,重叠的细胞,染色变异和繁的可变注释.
研究的目的:
- 开发一种高效和完全自动化的方法,用于使用全幻灯片图像 (WSIs) 检查骨髓和线粒体图像.
- 解决人工智能模型培训中手动显微镜分析和稀疏数据注释的局限性.
- 在大规模数据集上证明拟议方法的性能和通用性.
主要方法:
- 开发一种新,高效,全自动的卷积波形网络 (CW-Net).
- 将CW-Net应用于整片图像,用于骨髓细胞类型分类和线粒体图形检测.
- 在一个大型BM WSI数据集 (16,456个细胞,19个类型) 和一个线粒体数字WSI数据集 (262,481个细胞,5个类型) 上进行验证.
主要成果:
- 在自动化骨髓检查中,CW-Net表现出卓越的性能.
- 该方法在线粒体数字检测和评估方面取得了很高的准确性.
- 该方法在大型和多样化的WSI数据集中显示出稳定性和通用性.
结论:
- 拟议的CW-Net为复杂的数字病理学任务提供了高效和自动化的解决方案.
- 骨髓和线粒体数字的自动化分析可以克服手工方法的局限性.
- 开发的系统具有显著的潜力,可以提高血液学和瘤学中的诊断准确性和效率.
