优化了胃癌图像中核的检测和细分,使用染色正常化和模糊文物清除来实现

科学领域:

• 数字病理学数字病理学
• 计算病理学计算病理学
• 医疗图像分析 医学图像分析

背景情况:

• 组织学分析对于癌症诊断和分期至关重要,但手动评估细胞核是主观的,耗时的.
• 数字病理学提供自动化解决方案,但需要强大的图像预处理来克服染色和成像变化.
• 核的检测和细分对于癌症分类至关重要,因为核特征具有预后价值.

研究的目的:

• 评估和比较数字图像分析技术用于胃癌中核检测和细分.
• 在数字化组织病理学幻灯片上评估色彩规范化和斑点分离方法的性能.
• 使用公共数据集,比较这些技术在不同癌症类型中的适用性.

主要方法:

• 进行了一项文献审查,以确定改善核检测的方法.
• 胃腺癌和TCGA数据集中的核被专家病理学家注释.
• 检测和细分精度使用颜色规范化和染色分离技术进行了比较,通过F1测量进行评估.

主要成果:

• 颜色正常化为胃癌数据集实现了0.854 ± 0.068的F1测量.
• 对公共TCGA数据集的颜色解卷产生了0.907 ± 0.044的F1测量.
• 开发的技术表现出与最先进的方法可比的性能.

结论:

• 数字图像分析技术,特别是色彩正常化和解卷,在胃癌中对核的检测和细分具有很高的准确性.
• 这些方法为开发和解释病理学中人工智能辅助诊断工具提供了基础.
• 这些发现支持将自动图像分析集成到临床病理学工作流程中,以提高效率和客观性.