GCLR:在TEM图像中进行球膜过屏障细分的自我监督的表示学习借口任务
Guoyu Lin1, Zhentai Zhang1, Kaixing Long1
1School of Biomedical Engineering, Southern Medical University, Guangzhou, 510515, China; Guangdong Provincial Key Laboratory of Medical Image Processing, Southern Medical University, Guangzhou, 510515, China; Guangdong Province Engineering Laboratory for Medical Imaging and Diagnostic Technology, Southern Medical University, Guangzhou, 510515, China.
Artificial intelligence in medicine
|December 2, 2023
概括
这项研究介绍了GCLR,这是一种新的自我监督学习方法,用于在TEM图像中对膜过屏障 (GFB) 进行细分. 通过有效利用未标记的数据,GCLR改善了病诊断,实现了最先进的细分结果.
科学领域:
- 医疗成像医学成像
- 计算病理学计算病理学
- 生物医学工程 生物医学工程
背景情况:
- 在传输电子显微镜 (TEM) 图像中精确细分膜过屏障 (GFB) 对于诊断脏疾病至关重要.
- 手动注释TEM图像耗时,限制了深度学习模型的培训数据的可用性.
- 自主监督表示学习 (SSRL) 提供了一种有前途的方法来利用大型未标记数据集.
研究的目的:
- 开发一种自动化方法,以在TEM图像中对GFB的三个子结构进行细分.
- 通过使用SSRL来应对有限的注释数据的挑战.
- 引入GCLR,这是一个新的混合像素级别借口任务,用于GFB细分.
主要方法:
- 开发了GCLR,这是一个混合的自我监督的学习框架,集成了全球聚类 (GC) 和本地恢复 (LR) 的借口任务.
- 利用了18928张未标记的质TEM图像进行自我监督的预训练.
- 在311个标记图像上对模型进行了微调,用于GFB亚结构细分.
主要成果:
- 对于所有三个GFB子结构,GCLR实现了最先进的细分性能,Dice相似系数为86.56 ± 0.16%,75.56 ± 0.36%和79.41 ± 0.16%.
- 在GFB细分中表现优于其他代表性的自我监督的借口任务.
- 与在公共数据集 (MitoEM,COCO,ImageNet) 上完全监督的预培训方法相比,表现出优异的性能,数据和时间减少.
结论:
- GCLR有效地利用未标记的TEM数据进行准确的GFB细分,减轻注释稀缺性.
- 拟议的方法通过改进的TEM图像细分,显著提高了病理的自动化分析.
- GCLR显示了提高病评估诊断准确性和效率的潜力.
