一种基于CNN的方法,用于AgNOR染色图像中的核和NOR的联合细分和量化
Maikel M Rönnau1, Tatiana W Lepper2, Luara N Amaral2
1Instituto de Informática, Universidade Federal do Rio Grande do Sul, Av. Gonçalves, 9500, Porto Alegre, 91501-970, RS, Brazil.
Computer methods and programs in biomedicine
|September 22, 2023
概括
一种新的卷积神经网络 (CNN) 方法自动计数口腔细胞中的阿吉罗菲尔核细胞组织区 (AgNOR),改善了早期口腔癌的检测. 这种人工智能方法与专家的性能相匹配,并大大加快了诊断过程.
科学领域:
- 计算病理学计算病理学
- 人工智能在诊断中的应用
- 在口腔癌查中进行口腔癌查.
背景情况:
- 口腔癌是全球重要的健康问题.
- 在刷细胞学中计数的阿吉罗菲尔核细胞组织区域 (AgNORs) 有助于早期检测.
- 手动计数AgNOR是低效的,容易出现错误.
研究的目的:
- 开发一个卷积神经网络 (CNN) 用于核和AgNORs的自动细分和计数.
- 在口腔癌诊断中克服人工AgNOR计数的局限性.
- 提高早期口腔癌检测的速度和准确性.
主要方法:
- 系统训练和测试了102个CNN,评估了51个具有不同编码器,解码器和丢失功能的架构.
- 开发一种新的AgNOR染色口腔上皮细胞图像数据集 (1171张图像,48名患者),附有专家注释.
- 实施半自动注释和用于丢弃重叠核的自动方法,以确保准确的AgNOR计数.
主要成果:
- 最好的CNN模型 (DenseNet-169 + 带有焦点损失的LinkNet) 在细分方面获得了0.90的Dice分数和0.84的IoU.
- 核核计数实现了0.94精度和0.90回忆;AgNORs计数实现了0.82精度和0.74回忆.
- 该模型在单独的数据集上显示了类似专家的性能 (核的ICC为0.91,AgNORs为0.81),并且显著更快.
结论:
- 基于CNN的联合细分和核和NOR的量化,在AgNOR染色图像中实现专家级的性能.
- 与手动计数相比,开发的方法显著加快了诊断工作流程.
- 该模型,代码和数据集是公开可用的,以推进早期口腔癌检测的研究.
