草图监督的组织病理瘤细分:双CNN转换器与全球规范化的CAM
IEEE journal of biomedical and health informatics
|June 27, 2023
概括
这项研究介绍了DCTGN-CAM,这是一种新的草图监督方法,用于用有限的注释来对组织病理学图像进行细分. 它在瘤细分方面实现了高精度,超过了皮肤和肝癌数据集的现有方法.
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
- 医学中的人工智能.
背景情况:
- 深度学习在具有高质量的注释的组织病理学图像细分方面表现出色.
- 粗略注释更具成本效益,但对培训细分网络提供有限的监督.
- 直接使用粗略注释进行细分仍然是一个重大挑战.
研究的目的:
- 开发一种新的草图监督方法,用于用粗略的注释对组织病理学图像进行细分.
- 提高医疗图像中瘤细分的准确性和效率.
- 解决训练深度学习模型的局限性,使用鲜为标记的数据.
主要方法:
- 一个双CNN-变压器网络 (DCTGN-CAM) 被开发出来,可以同时模拟全球和本地瘤特征.
- 修改后的全球规范化类激活地图被用于增强的梯度式表示.
- 该方法在私人 (BSS) 和公共 (PAIP2019) 数据集上进行了训练和评估,并使用粗略的注释.
主要成果:
- 在BSS数据集上,DCTGN-CAM实现了76.68%的IOU和86.69%的Dice分数,用于基于素描的瘤细分.
- 该方法在BSS数据集上表现出优越的性能,与最先进的技术相比.
- 在PAIP2019数据集上,DCTGN-CAM显示,与U-Net基线相比,Dise获得了8.37%的收益.
结论:
- 拟议的DCTGN-CAM方法有效地利用粗略的注释来准确地对其病理学图像进行细分.
- 这种方法为临床实践中的培训细分网络提供了具有成本效益的解决方案.
- 通过在有限的监督下实现强大的细分,DCTGN-CAM在计算病理学领域取得了进展.
