在显微镜扫描仪系统中用于增强组织检测的人工物增强

科学领域:

• 数字病理学数字病理学
• 计算病理学计算病理学
• 医疗成像医学成像

背景情况:

• 过渡到数字病理学需要自动化显微镜扫描,以实现高效的组织样本数字化和诊断.
• 精确检测和细分组织区域对于数字病理学中自动成像至关重要.
• 目前的深度学习方法,如U-Net,面临挑战,因为培训数据中的组织样本的多样性和变异性.

研究的目的:

• 通过提出一种新的数据增强技术,解决数字病理学培训数据的局限性.
• 提高深度学习模型的稳定性,以在各种样本文物存在时进行组织细分.

主要方法:

• 开发了一个数据增强策略,以人工地将文物特征引入训练数据集.
• 这种方法通过将现有的文物特征 (例如,笔标记,污垢,泡,污点) 扩展到更广泛的数据集来生成合成图像.
• 该方法使用U-Net卷积神经网络进行组织细分.

主要成果:

• 拟议的数据增强方法导致具有文物样本的F1评分提高了1-6%.
• 该技术有效地产生了合成数据,改善了对具有挑战性的样本的模型性能.
• 这证明了合成数据生成对改善数字病理学深度学习的实用性.

结论:

• 通过引入合成文物来增强数据是改善数字病理学深度学习模型性能的可行策略.
• 这种方法提高了组织细分的准确性,特别是对于具有挑战性和多样化的样本类型.
• 该方法有助于推进自动幻灯片扫描和数字病理学诊断效率的提升.