一个全面的多域数据集,用于线粒体数字检测

科学领域:

• 数字病理学数字病理学
• 计算生物学是一种计算生物学.
• 医疗图像分析 医学图像分析

背景情况:

• 瘤组织中的线粒体数字是关键的预后指标.
• 自动化线粒体数字检测是一个重要的研究目标.
• 深度学习模型与来自各种数据源的域移动作斗争.

研究的目的:

• 介绍MIDOG++数据集用于线粒体图形检测.
• 解决自动化病理学领域转移的挑战.
• 提高深度学习模型用于瘤分析的可通用性.

主要方法:

• 开发了MIDOG++数据集,其中包含503个组织学标本中的11,937个线粒体图标.
• 包括七种不同的瘤类型 (例如,乳腺癌,肺癌).
• 使用样本在多个实验室中处理,使用各种扫描仪模拟域移动.

主要成果:

• 评估了最先进的方法,证实了由于单一领域培训的领域转移而导致的显著性能下降.
• 使用一个留下一个域的方法,在模型通用性方面取得了显著的改进.
• MIDOG++数据集是第一个包含从瘤类型,实验室,扫描仪和物种的域转移.

结论:

• MIDOG++数据集为评估线粒体图形检测中的域概括提供了一个强大的基准.
• 解决领域转移对于AI在数字病理学中的可靠部署至关重要.
• 这一数据集将有助于开发更强大,更广泛应用的自动化病理学工具.