CNN稳定性训练提高了对扫描仪的稳定性和基于IHC的图像可变性,用于宫组织学中的上皮质细分
Felipe Miranda Ruiz1,2, Bernd Lahrmann1,2, Liam Bartels2,3
1Institute of Pathology, University Medical Center Göttingen UMG, Göttingen, Germany.
Frontiers in medicine
|July 21, 2023
概括
CNN稳定训练 (CST) 增强了卷积神经网络 (CNN) 对数字病理学图像变异的稳定性. 在不需要更多数据的情况下,CST提高了细分性能,使深度学习在临床应用中更可靠.
科学领域:
- 数字病理学数字病理学
- 计算机视觉 计算机视觉 计算机视觉
- 机器学习是机器学习.
背景情况:
- 数字病理学图像表现出颜色,亮度,对比度和模糊度的变化,这是由于扫描仪和样本准备的差异.
- 卷积神经网络 (CNN) 对这些变化敏感,导致域外图像的性能低下.
- 对图像变化的稳定性对于在临床实践和大规模研究中部署深度学习至关重要.
研究的目的:
- 引入和评估CNN稳定训练 (CST) 作为一种提高CNN稳定性的方法.
- 改进CNN在数字病理学中的扫描仪和基于免疫组织化学 (IHC) 的图像变异性方面的性能.
主要方法:
- 在免疫组织学宫整体幻灯片图像 (WSIs) 中,CST应用于细分上皮质.
- 该方法涉及随机扭曲输入,并将原始和扭曲输入之间的预测差异纳入损失函数.
- 在114个p16染色的WSIs上训练CNN,并在6个不同的WSI测试集上进行评估,使用不同的扫描仪/IHC组合.
主要成果:
- 与没有CST的模型相比,CST模型在所有测试组中都表现出优异的性能和稳定性 (AUC:0.940-0.989与0.905-0.986).
- 在142个WSI中的124个WSI中,CST模型在WSI水平上显示出更好的性能.
- 在所有评估的测试集中,CST的表现优于经过随机飞行数据增强训练的模型.
结论:
- 在没有额外的数据要求的情况下,CST提供了一种提高CNN性能的方法.
- 该方法允许定制扭曲以适应特定的用例.
- CST的Python实现是公开的,这有助于在研究和临床环境中采用它.
