在前列腺癌中,监督较弱的关节整片细分和分类在前列腺癌中

科学领域:

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

背景情况:

• 组织学区域细分有助于病理学家,但对于整个幻灯片图像 (WSIs) 需要昂贵的像素级注释.
• 存在弱监督的WSI分类方法,但有限监督的WSI级别细分尚未得到充分探索.
• 现有的WSI细分方法往往需要超越图像标签的监督,限制实际应用.

研究的目的:

• 提出WholeSIGHT,一种新的弱监督方法,用于同时对WSIs进行细分和分类.
• 为了应对WSI分析中有限注释的挑战.
• 开发一种适用于任意形状和大小的WSIs的方法.

主要方法:

• WholeSIGHT 构建了 WSIs 的组织图表表示.
• 一个图形分类头通过特征归属从图像级标签生成伪标签.
• 伪标签训练节点分类头进行细分,使测试期间能够同时预测.

主要成果:

• 在三个公开的前列腺癌WSI数据集中,WholeSIGHT实现了最先进的弱监督细分性能.
• 该方法证明了与现有的弱监督的WSI分类技术相比,可比或优越的分类性能.
• 还评估了WholeSIGHT的概括能力,不确定性估计和模型校准.

结论:

• WholeSIGHT有效地执行WSIs的弱监督细分和分类.
• 该方法克服了昂贵的像素级注释的局限性.
• WholeSIGHT提供了一个有前途的工具,用于增强数字病理学的诊断支持.