使用深度集体学习的自动宫细胞细分

科学领域:

• 医疗成像医学成像
• 计算病理学计算病理学
• 医疗保健中的人工智能

背景情况:

• 自动化宫癌查依赖于精确的宫细胞细分.
• 区分细胞质和细胞核对于细胞学分析至关重要.

研究的目的:

• 开发和评估一个深层组合模型,用于精确的宫细胞细分.
• 通过增强的细胞分析,改进宫癌的自动查.

主要方法:

• 使用Cx22数据集进行算法开发.
• 组合的U-Net和U-Net++模型与转移学习进行细分.
• 与基线细分模型进行组合性能比较.

主要成果:

• 整体模型实现了高的子相似系数 (细胞质为0.9535,核为0.7863).
• 与基线模型相比,已经证明了更高的灵敏度和特异性 (P < 0.05).
• 在大多数细分指标中表现优于基线模型,除了细胞质特异性.

结论:

• 拟议的深层组合模型为宫细胞细分提供了卓越的性能.
• 这种算法有可能集成到自动化宫癌细胞学查系统中.