基因病理图像分类中的度量学习:打开黑盒子

科学领域:

• 数字病理学数字病理学
• 机器学习在医学中的应用
• 计算生物学 计算生物学

背景情况:

• 组织病理学图像分析对于疾病诊断至关重要.
• 手动分类是耗时且容易疲劳的.
• 机器学习为协助病理学家提供自动化解决方案.

研究的目的:

• 应用度量学学习,特别是三重网络,用于组织病理学图像分类.
• 开发一个系统,提供可解释的信息超出简单的分类.
• 改善医生分析医学图像的决策过程.

主要方法:

• 利用三重网络来学习嵌入空间中的图像表示.
• 根据学到的距离,将相似的图像分组起来,并将不相似的图像分开.
• 在BreakHis数据集上评估模型,该数据集包含乳腺癌组织病理学图像.

主要成果:

• 在嵌入空间中实现了有效的类分离.
• 在患者层面上表现出强大的分类性能.
• 根据图像相似性和不相似性指标提供可解释的结果.

结论:

• 度量学习,特别是在三重网络中,是基因病理学图像分类的宝贵工具.
• 提出的方法提供了可解释的见解,使其与最近的方法有所区别.
• 这种技术可以显著帮助医生诊断乳腺癌.