使用U-Net进行容器划分:一种稀有标记的深度学习方法,用于对组织学图像的语义细分
Lukas Glänzer1, Husam E Masalkhi1, Anjali A Roeth2,3
1Institute of Applied Medical Engineering, Helmholtz Institute, Medical Faculty, RWTH Aachen University, Pauwelsstraße 20, 52074 Aachen, Germany.
Cancers
|August 12, 2023
概括
这项研究引入了一种新的稀疏标签技术,用于使用修改后的U-Net.Net对组织学图像进行语义细分. 这种方法有效地划分了血管结构,即使数据和变化有限.
科学领域:
- 医学成像分析 医学成像分析
- 计算病理学计算病理学
- 机器学习在组织学中的应用.
背景情况:
- 在医学成像中,语义细分对于识别组织结构至关重要.
- 组织学图像细分面临的挑战是由于大量的结构信息和有限的训练数据.
- 对训练数据的组织结构进行手动标记是耗时的.
研究的目的:
- 为了证明使用U-Net的语义细分的可行性,使用一种用于组织学图像的新鲜稀疏标签技术.
- 为了应对有限的培训数据和组织学图像分析中的高阶层不平衡的挑战.
主要方法:
- 开发了一个修改后的U-Net架构,包括注意门,剩余和反复链接,以及学规范化.
- 采用了不足和过量抽样以及数据增强等技术来处理阶级不平衡.
- 为了评估各种建筑修改并确定最佳模型,进行了废弃研究.
主要成果:
- 最优化的模型,包括注意力门,残留链接和脱落规范化 (0.125),实现了血管结构的准确划分.
- 该细分实现了0.9088的精度和0.9717的AUC-ROC分数用于血管结构识别.
- 该算法证明了对染色和组织损伤的变异的稳定性.
结论:
- 稀疏标签,结合修改的U-Net架构,是组织学图像语义细分的一个可行的方法.
- 开发的方法有效地克服了小型数据集的局限性和组织学数据固有的类失衡.
- 这种技术为组织学图像的高效准确分析提供了有前途的解决方案.
