一个等级图 V-Net 半监督的预训练为基因组图像基础的乳腺癌分类

科学领域:

• 计算病理学计算病理学
• 医疗图像分析 医学图像分析
• 机器学习用于癌症检测.

背景情况:

• 基于补丁的组织图像分类方法往往忽视了整个幻灯片图像 (WSIs) 中的关键空间上下文.
• 这种限制可能会对乳腺癌分类系统的性能产生重大影响.
• 整合全球上下文信息对于提高诊断准确性至关重要.

研究的目的:

• 开发一种新的等级图形V-Net,从WSIs中准确地对乳腺癌进行分类.
• 通过结合空间上下文信息来解决现有的基于补丁的方法的局限性.
• 通过结合的预训练和微调策略来提高特征表示和分类性能.

主要方法:

• 一个半监督的框架,使用知识蒸用于补丁编码器预训练,以提取与疾病相关的特征.
• 一个由邻近/相似的补丁构建的等级图 V-Net,创建一个粗细分类方法.
• 利用了560个WSI的数据集,包括来自BACH和云南癌症医院数据集的标记和未标记数据.

主要成果:

• 提出的等级图形V-Net显示出优越的性能,与最先进的方法在乳腺癌分类的WSIs相比.
• 使用未标记数据的补丁级预训练显著改善了特征表示.
• 废除研究证实了层次图形网络和基于上下文的微调的有效性.

结论:

• 层次图形V-Net有效地整合了空间上下文信息,以在WSIs中改进乳腺癌分类.
• 拟议的方法为计算病理学提供了强大而准确的解决方案.
• 这项研究为自动化癌症诊断领域做出了宝贵贡献.