自动正常化数字色彩染色用于识别异常血细胞,使用生成对抗网络
Kevin Barrera1, José Rodellar1, Santiago Alférez1
1Universitat Politècnica de Catalunya - BarcelonaTech (UPC), Barcelona East Engineering School, Department of Mathematics, Barcelona, Spain.
Computer methods and programs in biomedicine
|June 10, 2023
概括
这项研究开发了一种新的染色正常化系统,用于使用生成对抗网络 (GAN) 进行外周血细胞图像. 该系统在不同实验室中标准化图像颜色,显著提高了深度学习模型在诊断疾病中的准确性.
科学领域:
- 医疗图像分析 医学图像分析
- 计算病理学计算病理学
- 血液学中的人工智能
背景情况:
- 实验室间染色协议的变化会影响自动细胞识别模型的性能.
- 图像颜色的标准化对于准确的形态分析在诊断血液学和非血液学疾病至关重要.
研究的目的:
- 开发和评估一种新系统,用于在外围血液细胞图像中使色彩染色正常化.
- 从各种中心转换图像以匹配参考中心的染色,同时保留形态特征.
主要方法:
- 一个两模块系统 (GAN1和GAN2),使用PIX2PIX和U-NET卷积神经网络与ResNet.
- 经过训练,GAN将原始颜色调整为参考标准,而不会改变细胞形态,并使用GAN指标和直方图进行验证.
- 该系统被评估为一个卷积神经网络 (CNN) 分类器的预处理工具,用于区分淋巴细胞和弹性类型.
主要成果:
- 标准化系统在参考图像上表现出中立性,保持了高分类准确度 (~96%).
- 在正常化后,从外部中心的图像中观察到分类性能的显著改善.
- 反应性淋巴细胞和异常淋巴细胞的真实阳性率大幅增加,爆发分类也显示了增强的性能.
结论:
- 拟议的基于GAN的染色规范化方法提高了对多中心数据集的分类器性能.
- 该系统生成与原始质量相比的数字染色图像,可适应参考标准.
- 这种低计算成本的系统可以提高临床病理学中自动识别模型的有效性.
