通过自我集合标签分布学习来估计乳腺瘤细胞性.

科学领域:

• 计算病理学计算病理学
• 医疗图像分析 医疗图像分析
• 机器学习用于瘤学.

背景情况:

• 准确的瘤细胞性 (TC) 估计对于癌症诊断和治疗规划至关重要.
• 现有的标签分配学习 (LDL) 方法在利用评级者之间的模糊性和生成适当的标签分配方面面临挑战.
• 解决乳腺瘤细胞性估计中的标签模糊性需要新的方法.

研究的目的:

• 开发一种新的自我组合标签分布学习 (SLDL) 框架,以改进瘤细胞性估计.
• 克服现有的LDL方法在处理评级者之间的模糊性和标签分发方面的局限性.
• 为了实现乳腺瘤细胞性估计的最先进性能.

主要方法:

• 提出了一种专业意识的条件VAE用于单级模型和基于注意力的多级融合策略,用于利用分级间的模糊性.
• 开发了一种基于模板的标签分发生成方法,适用于使用注释先验的TC估计.
• 引入了一种新的受限分布损失,将单模和回归损失结合起来,以提高TC值估计.
• 在乳腺瘤细胞性估计中的标签模两可性方面,利用了inter-rater和intra-rater变异性.

主要成果:

• 拟议的SLDL框架显示了TC价值估计的显著改进.
• SLDL有效地解决了与评级者之间的模糊性和标签分发生成有关的挑战.
• 对BreastPathQ数据集的实验结果显示,SLDL的表现远远超过现有方法.
• 在瘤细胞性估计任务中取得了最新的新结果.

结论:

• SLDL框架为瘤细胞性估计提供了强大的和有效的解决方案.
• 处理标签模糊性和分发生成的新方法有助于提高准确性.
• SLDL为乳腺瘤细胞性估计任务的性能设定了新的基准.