基67组织学图像中的流体组织细分基于细胞克拉丁-19染色翻译图像

科学领域:

• 计算病理学计算病理学
• 医疗图像分析 医学图像分析
• 人工智能在瘤学中的应用

背景情况:

• 组织病理学图像分析,特别是Ki67染色,对于乳腺癌诊断和预后至关重要.
• 精确量化像Ki67这样的增殖标志物需要区分瘤细胞和肌细胞,这是自动化分析的一个常见挑战.
• 在Ki67图像中,区分阴性瘤细胞和 stromal 细胞是很困难的,并且可能导致自动化系统的错误.

研究的目的:

• 开发一种使用卷积神经网络 (CNN) 的自动语义细分方法,以区分 Ki67 染色图像中的树皮和上皮区域.
• 创建一种方法来生成准确的培训数据库,而CNN的手动标签工作最小.
• 为了应对在Ki67图像中将树皮细胞与上皮细胞分离的挑战,以改善乳腺癌诊断.

主要方法:

• 利用图像对图像 (I2I) 翻译网络从细胞素-19图像转移到Ki67图像,帮助创建数据库.
• 开发了一种方法,以减少手工校正工作量来产生地面真相数据.
• 训练CNN使用自动生成和手动校正的流体面罩来预测新的Ki67图像的精确流体面罩.

主要成果:

• 实现了0.87的F1得分,用于自动预测斯特罗玛面罩.
• 证明了精确的树突细分对于可靠的Ki67得分的重要性.
• 开发的方法成功地训练了一个CNN,以精确地分离上皮和树皮区域.

结论:

• 图像对图像翻译是一种有价值的技术,用于在具有挑战性手动标签的任务中生成基准真实数据.
• 拟议的方法显著减少了手动校正的努力,使得创建用于训练神经网络的数据集.
• 这种方法有效地解决了在缺乏额外的区分信息的染色图像中分离表皮和树皮区域的困难.