一种空间引导的机器学习方法来分类和量化组织学图像中损伤的淋巴细胞模式
Justinas Besusparis1,2, Mindaugas Morkunas1,2, Arvydas Laurinavicius1,2
1Faculty of Medicine, Vilnius University, M.K.Ciurlionio 21, LT-03101 Vilnius, Lithuania.
Journal of imaging
|October 27, 2023
概括
一个新的空间引导卷积神经网络 (CNN) 分类器准确地检测和量化质细胞疾病模式. 这种机器学习方法改进了诊断病的传统方法.
科学领域:
- 腎病理學 腎病理學
- 数字病理学数字病理学
- 机器学习在医学中的应用
背景情况:
- 淋巴细胞疾病的诊断依赖于主观的组织学模式评估.
- 目前针对活跃和慢性病变的评分系统缺乏可重复性.
- 数字病理学和机器学习可以客观地量化淋巴细胞病变.
研究的目的:
- 开发和验证一种机器学习模型,用于准确识别和定量膜内膜损伤模式.
- 为此任务比较不同卷积神经网络 (CNN) 修改的性能.
主要方法:
- 进行了基于CNN的三种方法的交叉验证比较.
- 空间引导的CNN修改生成了用于定位的视觉注意力热图.
- 交叉与欧盟 (IoU) 的指标评估了热图质量和量化准确性,与病学家提供的参考值相比.
主要成果:
- 空间导向的CNN分类器实现了高质细胞模式分类准确度 (曲线下的面积高达0.981).
- 这种方法表明,与其他CNN修改相比,在体内模式量化方面,一般化平均IOU显著更高.
- 热图质量和定位准确性与拟议的方法相比更优越.
结论:
- 一个空间导向的CNN分类器显示了在脏疾病中精确定位细胞内状模式的巨大潜力.
- 这种方法提供了一个客观和可重复的方法来补充传统的诊断方法.
- 进一步开发可以提高病理学的诊断能力.
