自主监督的三重组对比学习用于分类子宫内膜组织病理图像

科学领域:

• 数字病理学数字病理学
• 机器学习在医学中的应用
• 在瘤学瘤学.

背景情况:

• 准确的组织病理图像分析对于子宫内膜癌的诊断和治疗至关重要.
• 病理学家短缺阻碍了及时和精确的诊断.
• 计算机辅助诊断 (CAD) 系统,特别是深度学习 (DL),提供自动化解决方案.

研究的目的:

• 开发一种新的自我监督的三重对比学习 (SSTCL) 模型,用于对子宫内膜组织病理图像进行分类.
• 用有限的注释数据提高子宫内膜疾病诊断的准确性和效率.
• 减少对广泛的人类注释的依赖,以培训诊断模型.

主要方法:

• 开发了一个自我监督的三重对比学习 (SSTCL) 模型,其中包括在线和目标分支.
• 包含一个随机马赛克掩盖 (RMM) 增强模块用于规范化.
• 使用瓶变压器 (BoT) 模型进行自我注意和全球信息学习.
• 在公共和内部子宫内膜组织病理学数据集上评估模型.

主要成果:

• 在具有不同标记数据百分比的公共数据集上实现了高四类分类准确度 (高达83.22%).
• 在内部数据集上获得了96.81%的诊断准确率.
• 在两种数据集上都超过了现有的最先进的监督和自我监督方法.

结论:

• 开发的SSTCL模型在通过组织病理图像诊断子宫内膜疾病方面表现出高的准确性和效率.
• 该模型有效地利用了有限的人类注释数据,解决了数字病理学的关键挑战.
• 这种方法显示出有很大的潜力,可以帮助病理学家自动诊断子宫内膜疾病.