评估染色正常化技术在侵袭性管道癌的自动分级中的有效性 组织病理学图像
Wingates Voon1, Yan Chai Hum2, Yee Kai Tee1
1Department of Mechatronics and Biomedical Engineering, Faculty of Engineering and Science, Lee Kong Chian, Universiti Tunku Abdul Rahman, Kampar, Malaysia.
Scientific reports
|November 22, 2023
概括
斑点规范化 (SN) 对使用卷积神经网络 (CNN) 的侵袭性导管癌 (IDC) 分级准确度没有显著影响. 该研究发现,对于乳腺癌分类的正常化和非正常化数据集之间的差异很小.
科学领域:
- 数字病理学数字病理学
- 计算生物学是一种计算生物学.
- 医学成像分析分析 医学成像分析
背景情况:
- 污点规范化 (SN) 对于其对基因病理学分类准确性的影响是有争议的.
- 以前的研究表明,关于SN是否改善分类结果的结果是相互矛盾的.
研究的目的:
- 评估SN在乳腺癌组织病理学分类中的有效性,特别是针对侵入性管道癌 (IDC) 的分级.
- 为了比较卷积神经网络 (CNN) 的性能,用于使用和不使用SN应用程序的IDC分级.
主要方法:
- 使用五个目标图像模板评估了六种SN技术.
- 利用七个ImagenNet预训练的CNN进行IDC分级.
- 在使用规范化和非规范化数据集训练的模型之间比较分类性能.
主要成果:
- 0.11的p值表明平衡准确性得分没有统计学上显著的差异.
- 性能最好的SN技术 (StainGAN) 获得了0.9196,而非正常化的图像得分为0.9308.8.
- 无效假设 (没有SN的影响) 并没有被拒绝.
结论:
- 污点规范化对使用CNN的IDC分级的准确性产生有限的影响.
- 这项研究挑战了这种假设,即SN始终提高了乳腺癌组织病理学分类中的表现.
- 在这项任务中,染色标准化和非标准化数据集之间没有发现有效性的显著差异.


